用python写网络爬虫 -从零开始 2 编写网站地图爬虫
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
# ...
【推荐】编程新体验,更懂你的AI,立即体验豆包MarsCode编程助手
【推荐】凌霞软件回馈社区,博客园 & 1Panel & Halo 联合会员上线
【推荐】抖音旗下AI助手豆包,你的智能百科全书,全免费不限次数
【推荐】博客园社区专享云产品让利特惠,阿里云新客6.5折上折
【推荐】轻量又高性能的 SSH 工具 IShell:AI 加持,快人一步