用python写网络爬虫 -从零开始 2 编写网站地图爬虫
Posted
tags:
篇首语:本文由小常识网(cha138.com)小编为大家整理,主要介绍了用python写网络爬虫 -从零开始 2 编写网站地图爬虫相关的知识,希望对你有一定的参考价值。
一般网站都会有robots.txt文件,在这个文件规定了允许网络爬虫访问的目录,也规定了禁止爬虫访问的目录。
要重视这个文件的原因是,访问了禁止目录,会被禁止你的ip地址访问
以下定义了一个网站地图爬虫,
def crawl_sitemap(url):
# download the sitemap file
sitemap = download(url)
# extract the sitemap links
links = re.findall(‘<loc>(.*?)</loc>‘, sitemap)
# download each link
for link in links:
html = download(link)
# scrape html here
# ...
以上是关于用python写网络爬虫 -从零开始 2 编写网站地图爬虫的主要内容,如果未能解决你的问题,请参考以下文章