python 爬取 博客園 接 螞蟻學(xué)pythonP5生產(chǎn)者消費(fèi)者爬蟲數(shù)據(jù)重復(fù)問題

• 先看訪問地址
  

  

  成都創(chuàng)新互聯(lián)公司自2013年創(chuàng)立以來，是專業(yè)互聯(lián)網(wǎng)技術(shù)服務(wù)公司，擁有項(xiàng)目成都做網(wǎng)站、成都網(wǎng)站建設(shè)、成都外貿(mào)網(wǎng)站建設(shè)網(wǎng)站策劃，項(xiàng)目實(shí)施與項(xiàng)目整合能力。我們以讓每一個(gè)夢想脫穎而出為使命，1280元遵義做網(wǎng)站,已為上家服務(wù),為遵義各地企業(yè)和個(gè)人服務(wù),聯(lián)系電話:13518219792

  • 訪問地址是https://www.cnblogs.com/#p2 但是實(shí)際訪問地址是https://www.cnblogs.com 說明其中存在貓膩；像這種我們給定指定頁碼，按理應(yīng)該是 post 請求才對；于是乎 往下看了幾個(gè)連接
    

  • 然后再看一下payload 發(fā)現(xiàn)這個(gè)post 請求 才是我們想要的鏈接 其中PageIndex 就是我們要設(shè)置的頁數(shù)
    

• 代碼擼起來

  # Author: Lovyya
  # File : blog_spider
  import requests
  import json
  from bs4 import BeautifulSoup
  import re
  # 這個(gè)是為和老師的urls一致性 匹配urls里面的數(shù)字
  rule = re.compile("\d+")
  
  urls = [f'https://www.cnblogs.com/#p{page}' for page in range(1, 31)]
  
  # pos請求網(wǎng)址
  url = "https://www.cnblogs.com/AggSite/AggSitePostList"
  headers = {
  	"content-type": "application/json",
  	"user-agent":"Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/95.0.4638.54 Safari/537.36 Edg/95.0.1020.30"
  }
  
  def craw(urls):
  	#idx 是'xxx.xxxx.xxx/#p{num}' 里面的num 這樣寫可以不用改 后面生產(chǎn)者消費(fèi)者的代碼 
  	idx = rule.findall(urls)[0]
  	# payload參數(shù) 只需要更改 idx 就行
  	payload = {
  		"CategoryType": "SiteHome", 
  		"ParentCategoryId": 0, 
  		"CategoryId": 808, 
  		"PageIndex": idx,
  		"TotalPostCount": 4000, 
  		"ItemListActionName": "AggSitePostList"
  	}
  	r = requests.post(url, data=json.dumps(payload), headers=headers)
  	return r.text
  
  def parse(html):
  	# post-item-title
  	soup = BeautifulSoup(html, "html.parser")
  	links = soup.find_all("a", class_="post-item-title")
  	return [(link["href"], link.get_text()) for link in links]
  
  if __name__ == '__main__':
  	for res in parse(craw(urls[2])):
  		print(res)