文章詳情頁
網頁爬蟲 - Python爬蟲如何正確判斷頁面是否可以爬取？
瀏覽：99日期：2022-09-03 13:50:21
問題描述
用Python27些爬蟲，想要爬取一些網站，我需要判斷網頁是否可以爬取，第一反應是通過狀態碼來判斷，但是寫完運行后發現有許多目標網站訪問它不存在的頁面時會返回一個404錯誤頁面，可他的狀態碼卻是200，結果爬回來好多根本就不存在的頁面。這個本來是網站設置的問題，但是現在也不能用狀態碼來判斷了，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
回答1：首先， 200 狀態碼，是網絡連接狀態， 所以你只判斷200并不能滿足所有網站。
其次， 寫爬蟲嘛， 你應該實際去看看這些網站的規則是什么，可以先人工判斷下， 找找規律， 比如看看網頁返回內容是不是有什么特點之類的。
回答2：做個網頁內容的判斷，如果他網頁里面沒有內容就直接返回。
回答3：就算是頁面狀態碼200，返回的404頁面，應該和正常能爬取的頁面html有不同的html元素吧，根據有沒有特定的html元素來判斷是不是404頁面也行的
相關文章：
1. docker內創建jenkins訪問另一個容器下的服務器問題2. python redis 列表插入 速度太慢3. docker綁定了nginx端口 外部訪問不到4. docker start -a dockername 老是卡住，什么情況？5. mysql里的大表用mycat做水平拆分，是不是要先手動分好，再配置mycat6. docker images顯示的鏡像過多，狗眼被亮瞎了，怎么辦？7. docker不顯示端口映射呢？8. golang - 用IDE看docker源碼時的小問題9. html5 - H5中播放的視頻如何有效的進行知識產權保護-防下載防盜鏈10. debian - docker依賴的aufs-tools源碼哪里可以找到啊？
排行榜
網公網安備