爬虫解决网页重定向问题
2017-05-24 00:51
239 查看
1.服务器端重定向,在服务器端完成,一般来说爬虫可以自适应,是不需要特别处理的,如响应代码301(永久重定向)、302(暂时重定向)等。具体来说,可以通过requests请求得到的response对象中的url、status_code两个属性来判断。当status_code为301、302或其他代表重定向的代码时,表示原请求被重定向;当response对象的url属性与发送请求时的链接不一致时,也说明了原请求被重定向且已经自动处理。
2.meta refresh,即网页中的<meta>标签声明了网页重定向的链接,这种重定向由浏览器完成,需要编写代码进行处理。例如,某一重定向如下面的html代码第三行中的注释所示,浏览器能够自动跳转,但爬虫只能得到跳转前的页面,不能自动跳转。
[html] view
plain copy
<html>
<head>
<meta http-equiv="refresh" content="0.1;url=http://www.redirectedtoxxx.com/"><!--本网页会在0.1秒内refresh为url所指的网页-->
</head>
</html>
解决办法是通过得到跳转前的页面源码,从中提取出重定向url信息(上述代码第三行中的url属性值)。一个具体的操作:①使用xpath('//meta[@http-equiv="refresh" and @content]/@content')提取出content的值 ②使用正则表达式提取出重定向的url值。
3.js 重定向,通过JavaScript代码形式进行重定向。如下面JavaScript代码
[html] view
plain copy
<script language=javascript>window.location.href='http://www.redirectedtoxxx.com'</script>
对于这种方式的跳转,由于可以实现该功能的JavaScript语句有多种形式,不能再使用正则表达式提取url,只能考虑加载JavaScript代码来进行解决。
2.meta refresh,即网页中的<meta>标签声明了网页重定向的链接,这种重定向由浏览器完成,需要编写代码进行处理。例如,某一重定向如下面的html代码第三行中的注释所示,浏览器能够自动跳转,但爬虫只能得到跳转前的页面,不能自动跳转。
[html] view
plain copy
<html>
<head>
<meta http-equiv="refresh" content="0.1;url=http://www.redirectedtoxxx.com/"><!--本网页会在0.1秒内refresh为url所指的网页-->
</head>
</html>
解决办法是通过得到跳转前的页面源码,从中提取出重定向url信息(上述代码第三行中的url属性值)。一个具体的操作:①使用xpath('//meta[@http-equiv="refresh" and @content]/@content')提取出content的值 ②使用正则表达式提取出重定向的url值。
3.js 重定向,通过JavaScript代码形式进行重定向。如下面JavaScript代码
[html] view
plain copy
<script language=javascript>window.location.href='http://www.redirectedtoxxx.com'</script>
对于这种方式的跳转,由于可以实现该功能的JavaScript语句有多种形式,不能再使用正则表达式提取url,只能考虑加载JavaScript代码来进行解决。
相关文章推荐
- python爬虫解决网页重定向问题
- python爬虫解决网页重定向问题
- URLConnection实现爬虫(解决重定向、设置cookie才能抓取页面等问题)
- 网页爬虫爬取数据出现 LockTimeoutException lock expired问题的可能解决方式
- Python 网络爬虫 006 (编程) 解决下载(或叫:爬取)到的网页乱码问题
- 网页包含重定向的问题解决
- java网页爬虫遇到的问题及解决方法
- Python爬虫,用第三方库解决下载网页中文本的问题
- python第一个爬虫小程序以及遇到问题解决(中文乱码)+批量爬取网页并保存至本地
- Python 网络爬虫 006 (编程) 解决下载(或叫:爬取)到的网页乱码问题
- python3.6+selenium+phantomJS 网页爬虫报错NoSuchElementException问题及解决方法
- 爬虫 解决网页ip限制的问题的八种方法
- python爬虫中文网页cmd打印出错问题解决
- 解决网页重定向带来的无法返回的问题
- 关于:使用JSP+Servlet重定向网页导致CSS等失效的问题的解决
- 解决Python网页爬虫之中文乱码问题
- Div + Css 设计网页时浮动问题的解决方法
- c#远程获取网页内容及乱码问题的解决办法
- 文件夹重定向与及解决文件夹重定向建立后删除的问题(可以集中管理我的文档)
- 网页中一些常见的问题与javascript解决代码