爬虫 crawler 入门爬取不设防网页 并实现无限增生

基础版本

爬取网页后直接将前端html代码不加处理的输出

python 复制代码
# pip3 install requests
import requests

# request the target URL
def crawler():
    response = requests.get("https://www.scrapingcourse.com/ecommerce/")
    response.raise_for_status()
    print(response.text)

# execute the crawler
crawler()

无限增生的爬虫

从第一个链接开始,记录已经遍历过的链接;
并且从这个链接爬取的html代码中记录 a[href] 的链接,存储到将要遍历的列表;
对于已经爬取的链接,直接continue处理

python 复制代码
# pip3 install requests
import requests

def crawler():
    while urls_to_visit:

        # get the page to visit from the list
        current_url = urls_to_visit.pop(0)
        print(current_url)
        if current_url in visited_urls:
            continue
        # 记录访问过的url到列表中
        visited_urls.add(current_url)

        try:
            response = requests.get(current_url, timeout=5)  # 设置超时时间,避免死循环
            response.raise_for_status()  # 检查请求是否成功
        except requests.RequestException as e:
            print(f"请求失败: {current_url}, 错误: {e}")
            continue

        # parse the HTML
        soup = BeautifulSoup(response.text, "html.parser")

        # collect all the links
        link_elements = soup.select("a[href]")
        for link_element in link_elements:
            url = link_element["href"]

            if url.startswith("#"):
                continue  # ignore internal links

            # convert links to absolute URLs
            if not url.startswith("http"):
                absolute_url = requests.compat.urljoin(target_url, url)
            else:
                absolute_url = url

            # ensure the crawled link belongs to the target domain and hasn't been visited
            if (
                absolute_url.startswith(target_url)
                and absolute_url not in urls_to_visit
            ):
                urls_to_visit.append(url)

# pip3 install requests beautifulsoup4

from bs4 import BeautifulSoup



target_url = "https://www.scrapingcourse.com/ecommerce/"
# initialize the list of discovered URLs
urls_to_visit = [target_url]
visited_urls = set()  # 记录已访问的 URL,防止重复爬取
# execute the crawler
crawler()

无限增生的效果

部分链接爬取失败后会返回错误信息

相关推荐
dme.3 小时前
python爬虫Scrapy(6)之增量式
爬虫·python·scrapy
小白学大数据5 小时前
动态URL构建与HTTP请求的Kotlin实现
开发语言·爬虫·网络协议·http·kotlin
Serendipity_Carl8 小时前
爬虫基础之爬取猫眼Top100 可视化
爬虫·python·pycharm·数据分析·pandas·数据可视化
起个铭子10 小时前
JS逆向-常见的反调试手段
爬虫
补三补四11 小时前
网络爬虫【爬虫库request】
爬虫
守城小轩18 小时前
如何解决Cloudflare JS挑战以进行网页抓取和自动化
chrome·爬虫·自动化·网络爬虫·浏览器开发·浏览器爬虫
魂万劫18 小时前
基于百度翻译的python爬虫示例
开发语言·爬虫·python·百度翻译
小爬虫程序猿1 天前
如何设置爬虫的延时避免被封禁
爬虫
PXM的算法星球1 天前
Java爬虫抓取B站视频信息
java·windows·爬虫