Spider
流程:
迭代进行:种子url->Element遍历获取超链接lin->作为新种子id
⚠️注意频率和遍历深度
1.设定url及请求参数
headers = {"user-agent": "Baiduspider"}
base_url = "https://www.zhihu.com"
suffix = "/explore"
entry_url = base_url + suffix
2.读取请求返回结果,及解析
response = requests.get(entry_url, headers=headers).text
soup = bs4.BeautifulSoup(response, "lxml")
page_set = soup.find_all("a")
3.设定正则匹配规则,读取内容,取出结果
links = set()
for ele in page_set:
raw_link = ele["href"]
# print(f"raw_link = {raw_link}")
proper_link = re.compile(r"^/question/.*").findall(raw_link)
for final_link in proper_link:
links.add(base_url + final_link)
该流程仅遍历了一个页面的结果
写博客这方面,转载是不可能转载的,这辈子都不可能转载,直接抄又没有脸去抄,只有自己随便划拉两笔,才能维持得了生活这样子。

浙公网安备 33010602011771号