日日操夜夜添-日日操影院-日日草夜夜操-日日干干-精品一区二区三区波多野结衣-精品一区二区三区高清免费不卡

公告:魔扣目錄網為廣大站長提供免費收錄網站服務,提交前請做好本站友鏈:【 網站目錄:http://www.ylptlb.cn 】, 免友鏈快審服務(50元/站),

點擊這里在線咨詢客服
新站提交
  • 網站:51998
  • 待審:31
  • 小程序:12
  • 文章:1030137
  • 會員:747

Python批量采集WordPress網站數據爬蟲腳本


分享一段非常簡單的Python批量采集wordpress網站數據的爬蟲腳本,實現采集wordpress程序的網站的整站數據的爬蟲程序。從首頁開始,抓取href標簽,到子頁面后還是要繼續找href標簽,采用Python遞歸方法,直接貼代碼吧!

import re
import bs4
import urllib.request
  
url_home = 'https://www.zztuku.com/'  #要采集的網站
url_pattern = url_home + '([\s\S]*)\.html' #正則表達式匹配文章頁面,此處需完善為更好的寫法
url_set = set()
url_cache = set()
url_count = 0
url_maxCount = 1000  #最大采集數量
  
#采集匹配文章內容的href標簽
def spiderURL(url, pattern):
   html = urllib.request.urlopen(url).read().decode('utf8')
   soup = bs4.BeautifulSoup(html, 'html.parser')
   links = soup.find_all('a', href = re.compile(pattern))
   for link in links:
       if link['href'] not in url_cache:
           url_set.add(link['href'])
   return soup
  
#采集的過程  異常處理還需要完善,對于一些加了防采集的站,還需要處理header的,下次我們再學習
spiderURL(url_home, url_pattern)
  
while len(url_set) != 0:
   try:
       url = url_set.pop()
       url_cache.add(url)
       soup = spiderURL(url, url_pattern)
       page = soup.find('div', {'class':'content'})
  
       title = page.find('h1').get_text()
       autor = page.find('h4').get_text()
       content = page.find('article').get_text()
  
       print(title, autor, url)
   except Exception as e:
       print(url, e)
       continue
   else:
       url_count += 1
   finally:
       if url_count == url_maxCount:
           break
  
print('一共采集了: ' + str(url_count) + ' 條數據')


分享到:
標簽:Python批量采集 WordPress采集 Python爬蟲腳本
用戶無頭像

網友整理

注冊時間:

網站:5 個   小程序:0 個  文章:12 篇

  • 51998

    網站

  • 12

    小程序

  • 1030137

    文章

  • 747

    會員

趕快注冊賬號,推廣您的網站吧!
最新入駐小程序

數獨大挑戰2018-06-03

數獨一種數學游戲,玩家需要根據9

答題星2018-06-03

您可以通過答題星輕松地創建試卷

全階人生考試2018-06-03

各種考試題,題庫,初中,高中,大學四六

運動步數有氧達人2018-06-03

記錄運動步數,積累氧氣值。還可偷

每日養生app2018-06-03

每日養生,天天健康

體育訓練成績評定2018-06-03

通用課目體育訓練成績評定