这篇文章主要介绍了python如何抓取多种类型的页面，具有一定借鉴价值，感兴趣的朋友可以参考下，希望大家阅读完这篇文章之后大有收获，下面让小编带着大家一起了解一下。
创新互联2013年至今，先为辽阳等服务建站，辽阳等地企业，进行企业商务咨询服务。为辽阳企业网站制作PC+手机+微官网三网同步一站式服务解决您的所有建站问题。
通过URL
一个网站中所有的博客文章可能都会包含一个 URL（例如 http://example.com/blog/title-of-post）。
通过网站中存在或者缺失的特定字段
如果一个页面包含日期，但是不包含作者名字，那你可以将其归类 为新闻稿。如果它有标题、主图片、价格，但是没有主要内容，那么它 可能是一个产品页面。
通过页面中出现的特定标签识别页面
即使不抓取某个标签内的数据，你仍然可以利用这个标签。你的爬 虫可以寻找类似于
这样的元素来识 别产品页面，即便是爬虫对相关产品的内容并不感兴趣。
为了跟踪多个页面类型，你需要在 Python 中有多个类型的页面对象。 这通过两种方式来实现。
如果页面都是相似的（它们基本上都是相同类型的内容），你可能需要 在现有的网页对象中加入一个 pageType 属性：
class Website:
"""所有文章/网页的共同基类"""
def __init__(self, type, name, url, searchUrl, resultListing,
resultUrl, absoluteUrl, titleTag, bodyTag):
self.name = name
self.url = url
self.titleTag = titleTag
self.bodyTag = bodyTag
self.pageType = pageType
如果你在一个类 SQL 的数据库中对这些页面进行排序，这种模式类型 意味着这些页面应该被存放在同一张表中，并且加入一个额外的 pageType 列。
如果你抓取的页面或内容各不相同（它们包含不同类型的字段），就需 要为每个页面类型创建一个新的对象。当然，有些东西是所有网页共有 的——它们都有一个 URL，也可能都有一个名称或者页面标题。这种 情况非常适合用子类：
class Website:
"""所有文章/网页的共同基类"""
def __init__(self, name, url, titleTag):
self.name = name
self.url = url
self.titleTag = titleTag
这不是一个由你的爬虫直接使用的对象，而是将被你的页面类型引用的 对象：
class Product(Website):
"""产品页面要抓取的信息"""
def __init__(self, name, url, titleTag, productNumber, price):
Website.__init__(self, name, url, TitleTag)
self.productNumberTag = productNumberTag
self.priceTag = priceTag
class Article(Website):
"""文章页面要抓取的信息"""
def __init__(self, name, url, titleTag, bodyTag, dateTag):
Website.__init__(self, name, url, titleTag)
self.bodyTag = bodyTag
self.dateTag = dateTag
这个产品页面扩展了Website基类，并且加入了仅适用于产品的productNumber和price属性，而Article类加入了body和date属性，这两个属性是不适用于产品的。
感谢你能够认真阅读完这篇文章，希望小编分享的“python如何抓取多种类型的页面”这篇文章对大家有帮助，同时也希望大家多多支持创新互联，关注创新互联行业资讯频道，更多相关知识等着你来学习!
文章标题：python如何抓取多种类型的页面-创新互联
转载源于：
http://cxhlcq.com/article/cdjpis.html
重庆分公司
重庆分公司
