Python批量采集WordPress网站数据爬虫脚本

分享一段非常简单的Python批量采集wordpress网站数据的爬虫脚本，实现采集wordpress程序的网站的整站数据的爬虫程序。从首页开始，抓取href标签，到子页面后还是要继续找href标签，采用Python递归方法，直接贴代码吧！

import re
import bs4
import urllib.request
  
url_home = 'https://www.zztuku.com/'  #要采集的网站
url_pattern = url_home + '([\s\S]*)\.html' #正则表达式匹配文章页面，此处需完善为更好的写法
url_set = set()
url_cache = set()
url_count = 0
url_maxCount = 1000  #最大采集数量
  
#采集匹配文章内容的href标签
def spiderURL(url, pattern):
   html = urllib.request.urlopen(url).read().decode('utf8')
   soup = bs4.BeautifulSoup(html, 'html.parser')
   links = soup.find_all('a', href = re.compile(pattern))
   for link in links:
       if link['href'] not in url_cache:
           url_set.add(link['href'])
   return soup
  
#采集的过程  异常处理还需要完善，对于一些加了防采集的站，还需要处理header的，下次我们再学习
spiderURL(url_home, url_pattern)
  
while len(url_set) != 0:
   try:
       url = url_set.pop()
       url_cache.add(url)
       soup = spiderURL(url, url_pattern)
       page = soup.find('div', {'class':'content'})
  
       title = page.find('h1').get_text()
       autor = page.find('h4').get_text()
       content = page.find('article').get_text()
  
       print(title, autor, url)
   except Exception as e:
       print(url, e)
       continue
   else:
       url_count += 1
   finally:
       if url_count == url_maxCount:
           break
  
print('一共采集了： ' + str(url_count) + ' 条数据')