如何解決python爬蟲爬網(wǎng)頁時(shí)遇到網(wǎng)頁重定向的問題-創(chuàng)新互聯(lián)

這篇文章將為大家詳細(xì)講解有關(guān)如何解決python爬蟲爬網(wǎng)頁時(shí)遇到網(wǎng)頁重定向的問題，小編覺得挺實(shí)用的，因此分享給大家做個(gè)參考，希望大家閱讀完這篇文章后可以有所收獲。

荊州網(wǎng)站建設(shè)公司創(chuàng)新互聯(lián),荊州網(wǎng)站設(shè)計(jì)制作，有大型網(wǎng)站制作公司豐富經(jīng)驗(yàn)。已為荊州上千家提供企業(yè)網(wǎng)站建設(shè)服務(wù)。企業(yè)網(wǎng)站搭建\成都外貿(mào)網(wǎng)站建設(shè)要多少錢，請找那個(gè)售后服務(wù)好的荊州做網(wǎng)站的公司定做！

搜索引擎爬蟲在爬取頁面時(shí)會(huì)遇到網(wǎng)頁被重定向的情況，所謂重定向(Redirect)就是通過各種方法（本文提到的為3種）將各種網(wǎng)絡(luò)請求重新轉(zhuǎn)到其它位置（URL）。每個(gè)網(wǎng)站主頁是網(wǎng)站資源的入口，當(dāng)重定向發(fā)生在網(wǎng)站主頁時(shí)，如果不能正確處理就很有可能會(huì)錯(cuò)失這整個(gè)網(wǎng)站的內(nèi)容。

1、服務(wù)器端重定向，在服務(wù)器端完成，一般來說爬蟲可以自適應(yīng)，是不需要特別處理的，如響應(yīng)代碼301（永久重定向）、302（暫時(shí)重定向）等。具體來說，可以通過requests請求得到的response對象中的url、status_code兩個(gè)屬性來判斷。當(dāng)status_code為301、302或其他代表重定向的代碼時(shí)，表示原請求被重定向；當(dāng)response對象的url屬性與發(fā)送請求時(shí)的鏈接不一致時(shí)，也說明了原請求被重定向且已經(jīng)自動(dòng)處理。

#請求重定向
#方法一
response.setStatus(302);
response.setHeader("location", "/day06/index.jsp");
        
#方法二
response.sendRedirect("/day06/index.jsp");

scrapy shell 獲取重定向頁面

scrapy shell -s ROBOTSTXT_OBEY=False --no-redirect " 
fetch(response.headers['Location'])

2、meta refresh，即網(wǎng)頁中的<meta>標(biāo)簽聲明了網(wǎng)頁重定向的鏈接，這種重定向由瀏覽器完成，需要編寫代碼進(jìn)行處理。例如，某一重定向如下面的html代碼第三行中的注釋所示，瀏覽器能夠自動(dòng)跳轉(zhuǎn)，但爬蟲只能得到跳轉(zhuǎn)前的頁面，不能自動(dòng)跳轉(zhuǎn)。

<html>
<head>  
  <meta http-equiv="refresh" content="0.1;url=http://www.redirectedtoxxx.com/"><!--本網(wǎng)頁會(huì)在0.1秒內(nèi)refresh為url所指的網(wǎng)頁-->
</head>
</html>

解決辦法是通過得到跳轉(zhuǎn)前的頁面源碼，從中提取出重定向url信息（上述代碼第三行中的url屬性值）。一個(gè)具體的操作：

①使用xpath('//meta[@http-equiv="refresh" and @content]/@content')提取出content的值

②使用正則表達(dá)式提取出重定向的url值。

3、js 重定向，通過JavaScript代碼形式進(jìn)行重定向。如下面JavaScript代碼

<script language=javascript>window.location.href='http://www.redirectedtoxxx.com'</script>

網(wǎng)頁包含內(nèi)容這種情況是最容易解決的，一般來講基本上是靜態(tài)網(wǎng)頁已經(jīng)寫死的內(nèi)容，或者動(dòng)態(tài)網(wǎng)頁，采用模板渲染，瀏覽器獲取到HTML的時(shí)候已經(jīng)是包含所有的關(guān)鍵信息，所以直接在網(wǎng)頁上看到的內(nèi)容都可以通過特定的HTML標(biāo)簽得到j(luò)avascript代碼加載內(nèi)容，這種情況是由于雖然網(wǎng)頁顯示時(shí)，內(nèi)容在HTML標(biāo)簽里面，但是其實(shí)是由于執(zhí)行js代碼加到標(biāo)簽里面的，所以這個(gè)時(shí)候內(nèi)容在js代碼里面的，而js的執(zhí)行是在瀏覽器端的操作，所以用程序去請求網(wǎng)頁地址的時(shí)候，得到的response是網(wǎng)頁代碼和js的代碼，所以自己在瀏覽器端能看到內(nèi)容，解析時(shí)由于js未執(zhí)行，肯定找到指定HTML標(biāo)簽下內(nèi)容肯定為空，這個(gè)時(shí)候的處理辦法，一般來講主要是要找到包含內(nèi)容的js代碼串，然后通過正則表達(dá)式獲得相應(yīng)的內(nèi)容，而不是解析HTML標(biāo)簽。

關(guān)于如何解決python爬蟲爬網(wǎng)頁時(shí)遇到網(wǎng)頁重定向的問題就分享到這里了，希望以上內(nèi)容可以對大家有一定的幫助，可以學(xué)到更多知識。如果覺得文章不錯(cuò)，可以把它分享出去讓更多的人看到。

另外有需要云服務(wù)器可以了解下創(chuàng)新互聯(lián)scvps.cn，海內(nèi)外云服務(wù)器15元起步，三天無理由+7*72小時(shí)售后在線，公司持有idc許可證，提供“云服務(wù)器、裸金屬服務(wù)器、高防服務(wù)器、香港服務(wù)器、美國服務(wù)器、虛擬主機(jī)、免備案服務(wù)器”等云主機(jī)租用服務(wù)以及企業(yè)上云的綜合解決方案，具有“安全穩(wěn)定、簡單易用、服務(wù)可用性高、性價(jià)比高”等特點(diǎn)與優(yōu)勢，專為企業(yè)上云打造定制，能夠滿足用戶豐富、多元化的應(yīng)用場景需求。

網(wǎng)站題目：如何解決python爬蟲爬網(wǎng)頁時(shí)遇到網(wǎng)頁重定向的問題-創(chuàng)新互聯(lián)
本文來源：http://muchs.cn/article40/dsiseo.html

成都網(wǎng)站建設(shè)公司_創(chuàng)新互聯(lián)，為您提供網(wǎng)頁設(shè)計(jì)公司、網(wǎng)站收錄、響應(yīng)式網(wǎng)站、服務(wù)器托管、動(dòng)態(tài)網(wǎng)站、自適應(yīng)網(wǎng)站

廣告

聲明：本網(wǎng)站發(fā)布的內(nèi)容（圖片、視頻和文字）以用戶投稿、用戶轉(zhuǎn)載內(nèi)容為主，如果涉及侵權(quán)請盡快告知，我們將會(huì)在第一時(shí)間刪除。文章觀點(diǎn)不代表本網(wǎng)站立場，如需處理請聯(lián)系客服。電話：028-86922220；郵箱：631063699@qq.com。內(nèi)容未經(jīng)允許不得轉(zhuǎn)載，或轉(zhuǎn)載時(shí)需注明來源： 創(chuàng)新互聯(lián)

商城網(wǎng)站建設(shè)