详细版本见个人博客:Python如何爬取不确定页数的网页
一、问题分析
我们通常遇到的网站页数展现形式有这么几种:
- 第一种是直观地显示所有页数,显示在页面上。
- 第二种是不直观显示网页总页数,需要抓包才可以看到,一般来说会有一个
totalPage
参数。 - 第三种是不知道具体有多少页的网页。
对于,前两种形式的网页,爬取方法非常简单,使用 For 循环从首页爬到尾页就行了,第三种形式则不适用,因为不知道尾页的页数,所以循环到哪一页结束无法判断。
二、解决方案
这里有两种解决方式:
- 第一种方式:使用 For 循环,尾页的页数设置一个较大的参数,足够循环爬完所有页面。
- 第二种方法:使用 While 循环,可以结合 break 语句,也可以设起始循环判断条件为 True,从头开始循环爬取直到爬完最后一页,然后更改判断条件为 False 跳出循环,结束爬取。
三、实际案例——scrapy实现
1、For循环实现
Scrapy 中使用 For 循环递归爬取的思路非常简单,即先批量生成所有请求的 URL,包括最后无效的 URL,后续在 parse 方法中添加 if 判断过滤无效请求。
由于 Scrapy 依赖于Twisted框架,采用的是异步请求处理方式,可以边发送请求边解析内容,不会被阻塞,但是这种方法会发送很多无用请求。
def start_requests(self):
url_lists = []
for i in range(0,500):
req = scrapy.Request(self.url.format(url_tags = self.tags[0],url_start = 20