通过使用分页机制，Python 爬虫可以爬取多页网站：查找并提取 pagination 链接。循环遍历这些链接并获取页面内容。使用 HTML 解析器提取所需数据。保存或处理提取的数据。
如何使用 Python 爬虫爬取多页
爬取多页网站时，Python 爬虫需要使用分页机制。以下步骤介绍如何实现：
1. 查找分页链接
- 检查网站的 HTML 源代码以寻找 pagination 链接标签（）。
- 这些链接通常带有 "next"、"page" 或 "older" 等文本。
- 提取这些链接的 URL 地址，并将它们存储在一个列表中。
2. 循环遍历分页链接
立即学习“Python免费学习笔记（深入）”；
- 使用 while 循环或 for 循环迭代分页链接列表。
- 对于每个链接，向该 URL 发出请求以获取页面内容。
3. 提取数据
- 使用 HTML 解析器（如 BeautifulSoup）来提取所需数据。
- 该数据可能包括文本、图像或其他内容。
4. 保存或处理数据
- 将提取的数据存储到数据库、文件或其他数据存储中。
- 也可以实时处理数据，例如显示在 GUI 中。
示例代码：
import requests
from bs4 import BeautifulSoup
# 查找分页链接
pagination_links = []
response = requests.get("https://example.com/page1")
soup = BeautifulSoup(response.text, "html.parser")
for a in soup.find_all("a"):
if "next" in a.text or "page" in a.text:
pagination_links.append(a["href"])
# 循环遍历分页链接并提取数据
for link in pagination_links:
response = requests.get(link)
soup = BeautifulSoup(response.text, "html.parser")
# 在此处提取所需数据注意：
- 某些网站可能使用 JavaScript 来加载分页链接。在这种情况下，需要使用 Selenium 或类似的库来模拟浏览器行为。
- 尊重网站的机器人协议并避免过度爬取。
- 始终注意网站的条款和条件，以确保爬取行为是合法的。
