問題描述

用Python27些爬蟲，想要爬取一些網(wǎng)站，我需要判斷網(wǎng)頁是否可以爬取，第一反應(yīng)是通過狀態(tài)碼來判斷，但是寫完運行后發(fā)現(xiàn)有許多目標(biāo)網(wǎng)站訪問它不存在的頁面時會返回一個404錯誤頁面，可他的狀態(tài)碼卻是200，結(jié)果爬回來好多根本就不存在的頁面。這個本來是網(wǎng)站設(shè)置的問題，但是現(xiàn)在也不能用狀態(tài)碼來判斷了，請問還有什么方法可以正確判斷一個頁面是不是404該不該爬？

問題解答

首先， 200 狀態(tài)碼，是網(wǎng)絡(luò)連接狀態(tài)， 所以你只判斷200并不能滿足所有網(wǎng)站。

其次， 寫爬蟲嘛， 你應(yīng)該實際去看看這些網(wǎng)站的規(guī)則是什么，可以先人工判斷下， 找找規(guī)律， 比如看看網(wǎng)頁返回內(nèi)容是不是有什么特點之類的。

做個網(wǎng)頁內(nèi)容的判斷，如果他網(wǎng)頁里面沒有內(nèi)容就直接返回。

就算是頁面狀態(tài)碼200，返回的404頁面，應(yīng)該和正常能爬取的頁面html有不同的html元素吧，根據(jù)有沒有特定的html元素來判斷是不是404頁面也行的