python3 实现爬取网站下所有URL
- 获取首页元素信息：
- 首页的URL链接获取：
- 遍历第一次返回的结果：
- 递归循环遍历：
- 全部代码如下：
- 小结：
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：
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)
演示结果如下：
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_1url_list.append(url2_1)else:passelse:passelse:passelse:passurl_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：
#!/usr/bin/env python
# -*- coding:utf-8 -*-import requests
from 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_1url_list.append(url2_1)else:passelse:passelse:passelse:passurl_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)
小结：
刚开始学习写python脚本，有不足之处，多多指导，有一个小bug,后期会进一步完善。
