侯体宗的博客
  • 首页
  • Hyperf版
  • beego仿版
  • 人生(杂谈)
  • 技术
  • 关于我
  • 更多分类
    • 文件下载
    • 文字修仙
    • 中国象棋ai
    • 群聊
    • 九宫格抽奖
    • 拼图
    • 消消乐
    • 相册

Python3 实现爬取网站下所有URL方式

Python  /  管理员 发布于 7年前   179

获取首页元素信息:

目标 test_URL:http://www.xxx.com.cn/

首先检查元素,a 标签下是我们需要爬取得链接,通过获取链接路径,定位出我们需要的信息

soup = Bs4(reaponse.text, "lxml")urls_li = soup.select("#mainmenu_top > div > div > ul > li")

首页的URL链接获取:

完成首页的URL链接获取,具体代码如下:

'''遇到不懂的问题?Python学习交流群:821460695满足你的需求,资料都已经上传群文件,可以自行下载!'''def get_first_url():  list_href = []  reaponse = requests.get("http://www.xxx.com.cn", headers=headers)  soup = Bs4(reaponse.text, "lxml")  urls_li = soup.select("#mainmenu_top > div > div > ul > li")  for url_li in urls_li:    urls = url_li.select("a")    for url in urls:      url_href = url.get("href")      list_href.append(head_url+url_href)      out_url = list(set(list_href))  for reg in out_url:    print(reg)

遍历第一次返回的结果:

从第二步获取URL的基础上,遍历请求每个页面,获取页面中的URL链接,过滤掉不需要的信息

具体代码如下:

def get_next_url(urllist):  url_list = []  for url in urllist:    response = requests.get(url,headers=headers)    soup = Bs4(response.text,"lxml")    urls = soup.find_all("a")    if urls:      for url2 in urls:        url2_1 = url2.get("href")        if url2_1:          if url2_1[0] == "/":url2_1 = head_url + url2_1url_list.append(url2_1)if url2_1[0:24] == "http://www.xxx.com.cn":  url2_1 = url2_1  url_list.append(url2_1)else:  pass          else:pass        else:          pass    else:      pass  url_list2 = set(url_list)  for url_ in url_list2:    res = requests.get(url_)    if res.status_code ==200:      print(url_)  print(len(url_list2))

递归循环遍历:

递归实现爬取所有url,在get_next_url()函数中调用自身,代码如下:

get_next_url(url_list2)

全部代码如下:

import requestsfrom bs4 import BeautifulSoup as Bs4head_url = "http://www.xxx.com.cn"headers = {  "User-Agent": "Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/72.0.3626.121 Safari/537.36"}def get_first_url():  list_href = []  reaponse = requests.get(head_url, headers=headers)  soup = Bs4(reaponse.text, "lxml")  urls_li = soup.select("#mainmenu_top > div > div > ul > li")  for url_li in urls_li:    urls = url_li.select("a")    for url in urls:      url_href = url.get("href")      list_href.append(head_url+url_href)      out_url = list(set(list_href))  return out_urldef get_next_url(urllist):  url_list = []  for url in urllist:    response = requests.get(url,headers=headers)    soup = Bs4(response.text,"lxml")    urls = soup.find_all("a")    if urls:      for url2 in urls:        url2_1 = url2.get("href")        if url2_1:          if url2_1[0] == "/":url2_1 = head_url + url2_1url_list.append(url2_1)if url2_1[0:24] == "http://www.xxx.com.cn":  url2_1 = url2_1  url_list.append(url2_1)else:  pass          else:pass        else:          pass    else:      pass  url_list2 = set(url_list)  for url_ in url_list2:    res = requests.get(url_)    if res.status_code ==200:      print(url_)  print(len(url_list2))  get_next_url(url_list2)if __name__ == "__main__":  urllist = get_first_url()  get_next_url(urllist)

以上这篇Python3 实现爬取网站下所有URL方式就是小编分享给大家的全部内容了,希望能给大家一个参考,也希望大家多多支持。


  • 上一条:
    用python解压分析jar包实例
    下一条:
    python3爬取torrent种子链接实例
  • 昵称:

    邮箱:

    0条评论 (评论内容有缓存机制,请悉知!)
    最新最热
    • 分类目录
    • 人生(杂谈)
    • 技术
    • linux
    • Java
    • php
    • 框架(架构)
    • 前端
    • ThinkPHP
    • 数据库
    • 微信(小程序)
    • Laravel
    • Redis
    • Docker
    • Go
    • swoole
    • Windows
    • Python
    • 苹果(mac/ios)
    • 相关文章
    • 在python语言中Flask框架的学习及简单功能示例(0个评论)
    • 在Python语言中实现GUI全屏倒计时代码示例(0个评论)
    • Python + zipfile库实现zip文件解压自动化脚本示例(0个评论)
    • python爬虫BeautifulSoup快速抓取网站图片(1个评论)
    • vscode 配置 python3开发环境的方法(0个评论)
    • 近期文章
    • 在go语言中使用api.geonames.org接口实现根据国际邮政编码获取地址信息功能(1个评论)
    • 在go语言中使用github.com/signintech/gopdf实现生成pdf分页文件功能(0个评论)
    • gmail发邮件报错:534 5.7.9 Application-specific password required...解决方案(0个评论)
    • 欧盟关于强迫劳动的规定的官方举报渠道及官方举报网站(0个评论)
    • 在go语言中使用github.com/signintech/gopdf实现生成pdf文件功能(0个评论)
    • Laravel从Accel获得5700万美元A轮融资(0个评论)
    • 在go + gin中gorm实现指定搜索/区间搜索分页列表功能接口实例(0个评论)
    • 在go语言中实现IP/CIDR的ip和netmask互转及IP段形式互转及ip是否存在IP/CIDR(0个评论)
    • PHP 8.4 Alpha 1现已发布!(0个评论)
    • Laravel 11.15版本发布 - Eloquent Builder中添加的泛型(0个评论)
    • 近期评论
    • 122 在

      学历:一种延缓就业设计,生活需求下的权衡之选中评论 工作几年后,报名考研了,到现在还没认真学习备考,迷茫中。作为一名北漂互联网打工人..
    • 123 在

      Clash for Windows作者删库跑路了,github已404中评论 按理说只要你在国内,所有的流量进出都在监控范围内,不管你怎么隐藏也没用,想搞你分..
    • 原梓番博客 在

      在Laravel框架中使用模型Model分表最简单的方法中评论 好久好久都没看友情链接申请了,今天刚看,已经添加。..
    • 博主 在

      佛跳墙vpn软件不会用?上不了网?佛跳墙vpn常见问题以及解决办法中评论 @1111老铁这个不行了,可以看看近期评论的其他文章..
    • 1111 在

      佛跳墙vpn软件不会用?上不了网?佛跳墙vpn常见问题以及解决办法中评论 网站不能打开,博主百忙中能否发个APP下载链接,佛跳墙或极光..
    • 2016-10
    • 2016-11
    • 2018-04
    • 2020-03
    • 2020-04
    • 2020-05
    • 2020-06
    • 2022-01
    • 2023-07
    • 2023-10
    Top

    Copyright·© 2019 侯体宗版权所有· 粤ICP备20027696号 PHP交流群

    侯体宗的博客