环境:python3.6.5 + pycharm
注意事项:
1. 在python3中,urllib2、urlparser 和 robotparser 全部归于 urllib,该模块目前只包含5个子模块: urllib.error, urllib.parser, urllib.request, urllib.response, urllib.robotparser
2. 链接必须为绝对路径,以便包含定位网页的所有内容。因为相对路径只有网页的路径部分,没有协议和服务器部分。
3.注意可能出现 链接A包含链接B,链接B里又包含了链接A的情况,避免重复爬取相同的链接进入死循环。
4. 避免爬取禁止爬取的URL,这就要解析 robots.txt 文件,还要注意避免爬虫陷阱(比如链接A包含链接B,链接B包含链接C,链接C包含链接D,……。
5. 要支持代理,并且限制下载速度,否则可能因下载速度过快造成服务器过载。
(代码改日补上)