Python爬虫识别页面类型的三种策略与类设计

识别页面类型的三种核心策略

与抓取预定义好的页面集合不同，抓取一个网站的所有内链会带来一个挑战，即你不知道会获得什么。好在有几种基本的方法可以识别页面类型。

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 <div id="related-products"> 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。

Python类结构设计：单一属性与继承机制

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。

你可以用这两个类去抓取一个商店网站，该网站除了产品，可能还包含博客文章或新闻稿。

希望以上知识点能够帮助到大家，感谢大家对本站的支持。