获取新闻类网页的所有a链接

 1 import re
 2 import requests
 3 
 4 
 5 class Spider(object):
 6     """爬虫类"""
 7 
 8     def __init__(self, url):
 9         self.url = url
10         print(‘[*- 开启采集数据 -*]‘)
11 
12     def visit_url(self):
13         """访问该网站，访问成功，返回网站内容"""
14         response = requests.get(url=self.url)
15         try:
16             # 用来捕捉异常， 在内部判断status_code是否等于200，如果不等于，则抛出异常
17             response.raise_for_status()
18         except Exception as e:
19             print(e)
20             return False
21         # 使用content需要解码
22         response_content = response.content.decode()
23         # replace替换
24         return response_content.replace("‘", ‘"‘)
25 
26     def re_get_url(self):
27         """使用正则获取该页面的所有url地址"""
28         web_content = self.visit_url()
29         if not web_content:
30             print(‘[*-- 获取网站内容失败，采集结束 --*]‘)
31             return False
32         # 使用正则匹配路由
33         web_url = re.findall(‘[a-zA-Z]+://[^\s|^\"]*‘, self.visit_url())
34         # 判断url的长度不等于0
35         if len(web_url) != 0:
36             return web_url
37         return False
38 
39     def handle_static(self):
40         """主页面只选择采集可以跳转的链接，这个作为过滤列表"""
41         arr_dict = [‘jpg‘, ‘jpeg‘, ‘css‘, ‘png‘, ‘js‘, ‘#‘]
42         # 定义空列表
43         arr_list = []
44         # 正则返回的url列表
45         arr_url = self.re_get_url()
46         if not arr_url:
47             print(‘[*-- 页面链接获取失败，采集结束 --*]‘)
48             # 如果后缀为过滤列表里的那么都判定为静态资源，不选择收录
49         # 遍历url的列表
50         for url_obj in arr_url:
51             # 定义一个标识
52             is_add = True
53             # 遍历过滤列表
54             for filter_arr_obj in arr_dict:
55                 # 过滤url
56                 if url_obj.find(filter_arr_obj) != -1:
57                     # find找到就得到下标，找不到就返回-1
58                     is_add = False
59             # 添加子链接
60             if is_add:
61                 # 如果是-1就是有用的url，添加到提前定义好的空列表里
62                 arr_list.append(url_obj)
63         print(arr_list)
64 
65     def run(self):
66         self.handle_static()
67 
68 
69 if __name__ == ‘__main__‘:
70     url = ‘https://www.washingtonpost.com/‘
71     spider = Spider(url)
72     spider.run()