Python3 实现爬取网站下所有URL方式

获取首页元素信息：

目标 test_URL：http://www.xxx.com.cn/

首先检查元素，a 标签下是我们需要爬取得链接，通过获取链接路径，定位出我们需要的信息

soup = Bs4(reaponse.text, "lxml")
urls_li = soup.select("#mainmenu_top > div > div > ul > li")

首页的URL链接获取：

完成首页的URL链接获取，具体代码如下：

'''
遇到不懂的问题？Python学习交流群：821460695满足你的需求，资料都已经上传群文件，可以自行下载！
'''
def get_first_url():
 list_href = []
 reaponse = requests.get("http://www.xxx.com.cn", headers=headers)
 soup = Bs4(reaponse.text, "lxml")
 urls_li = soup.select("#mainmenu_top > div > div > ul > li")
 for url_li in urls_li:
   urls = url_li.select("a")
   for url in urls:
     url_href = url.get("href")
     list_href.append(head_url+url_href)
     out_url = list(set(list_href))
 for reg in out_url:
   print(reg)

遍历第一次返回的结果：

从第二步获取URL的基础上，遍历请求每个页面，获取页面中的URL链接，过滤掉不需要的信息

具体代码如下：

def get_next_url(urllist):
 url_list = []
 for url in urllist:
   response = requests.get(url,headers=headers)
   soup = Bs4(response.text,"lxml")
   urls = soup.find_all("a")
   if urls:
     for url2 in urls:
       url2_1 = url2.get("href")
       if url2_1:
         if url2_1[0] == "/":
           url2_1 = head_url + url2_1
           url_list.append(url2_1)
           if url2_1[0:24] == "http://www.xxx.com.cn":
             url2_1 = url2_1
             url_list.append(url2_1)
           else:
             pass
         else:
           pass
       else:
         pass
   else:
     pass
 url_list2 = set(url_list)
 for url_ in url_list2:
   res = requests.get(url_)
   if res.status_code ==200:
     print(url_)
 print(len(url_list2))

递归循环遍历：

递归实现爬取所有url，在get_next_url()函数中调用自身，代码如下：

get_next_url(url_list2)

全部代码如下：

import requests
from bs4 import BeautifulSoup as Bs4

head_url = "http://www.xxx.com.cn"
headers = {
 "User-Agent": "Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/72.0.3626.121 Safari/537.36"
}
def get_first_url():
 list_href = []
 reaponse = requests.get(head_url, headers=headers)
 soup = Bs4(reaponse.text, "lxml")
 urls_li = soup.select("#mainmenu_top > div > div > ul > li")
 for url_li in urls_li:
   urls = url_li.select("a")
   for url in urls:
     url_href = url.get("href")
     list_href.append(head_url+url_href)
     out_url = list(set(list_href))
 return out_url

def get_next_url(urllist):
 url_list = []
 for url in urllist:
   response = requests.get(url,headers=headers)
   soup = Bs4(response.text,"lxml")
   urls = soup.find_all("a")
   if urls:
     for url2 in urls:
       url2_1 = url2.get("href")
       if url2_1:
         if url2_1[0] == "/":
           url2_1 = head_url + url2_1
           url_list.append(url2_1)
           if url2_1[0:24] == "http://www.xxx.com.cn":
             url2_1 = url2_1
             url_list.append(url2_1)
           else:
             pass
         else:
           pass
       else:
         pass
   else:
     pass
 url_list2 = set(url_list)
 for url_ in url_list2:
   res = requests.get(url_)
   if res.status_code ==200:
     print(url_)
 print(len(url_list2))
 get_next_url(url_list2)

if __name__ == "__main__":
 urllist = get_first_url()
 get_next_url(urllist)

来源：https://blog.csdn.net/fei347795790/article/details/99471972