使用 python 爬取同一网站的多页数据需要以下步骤：识别分页模式。构造 url 列表。循环遍历 url 并抓取数据。如果使用 ajax 加载更多，则模拟浏览器行为触发加载操作。
如何使用 Python 爬取同一网站的多页数据
使用 python 爬虫爬取同一网站的多页数据是一项常见任务，可用于获取大量信息。以下是实现这一目标的方法：
1. 识别分页模式
首先，确定网站使用哪种分页模式。这通常可以通过查看 URL 模式来实现。以下是一些常见的模式：
立即学习“Python免费学习笔记（深入）”；
- 附加页码：URL 中包含一个表示当前页码的参数，例如 page=2。
- 更改 URL 尾巴：网站为每页使用唯一的 URL，例如 page-2.html。
- 使用 ajax 加载更多：使用 JavaScript 动态加载更多页面，而 URL 保持不变。
2. 构造 URL 列表
根据分页模式，构建一个包含要爬取的所有页面 URL 的列表。例如，对于附加页码模式，URL 列表可以如下所示：
base_url = 'https://example.com/products/' page_numbers = range(1, 11) # 爬取前 10 页 urls = [f'{base_url}?page={page_number}' for page_number in page_numbers]
3. 循环遍历 URL 并抓取数据
使用 requests 库循环遍历 URL 列表并爬取每个页面的数据。例如：
import requests for url in urls: response = requests.get(url) html = response.text # 从 HTML 中提取数据
4. 处理 Ajax 加载更多
如果网站使用 Ajax 加载更多，则需要使用 Selenium 等库来模拟浏览器行为并触发加载操作。例如：
from selenium import webdriver driver = webdriver.Chrome() driver.get(base_url) # 滚动页面加载更多产品 while True: last_height = driver.execute_script("return document.body.scrollHeight") driver.execute_script("window.scrollTo(0, document.body.scrollHeight);") new_height = driver.execute_script("return document.body.scrollHeight") if new_height == last_height: break html = driver.page_source # 从 HTML 中提取数据 driver.quit()
