2024年Python最新基于python的网络爬虫搜索引擎的设计，2024年最新Python高级面试framework

import requests
from bs4 import BeautifulSoup
 
class SimpleCrawler:
    def __init__(self, seed_url):
        self.url_queue = [seed_url]
        self.seen_urls = set()
 
    def get_page(self, url):
        try:
            response = requests.get(url)
            if response.status_code == 200:
                return response.text
        except requests.exceptions.RequestException:
            return None
 
    def parse_page(self, url, html_content):
        soup = BeautifulSoup(html_content, 'html.parser')
        for link in soup.find_all('a'):
            new_url = link.get('href')
            if new_url and new_url.startswith('http://') and new_url not in self.seen_urls:
                self.url_queue.append(new_url)
                self.seen_urls.add(new_url)
 
    def crawl(self):
        while self.url_queue:
            url = self.url_queue.pop()
            print(f'Crawling: {url}')
            html_content = self.get_page(url)
            if html_content:
                self.parse_page(url, html_content)
 
if __name__ == '__main__':
    crawler = SimpleCrawler('http://example.com')
    crawler.crawl()

这个简易的爬虫会从给定的种子URL开始，通过requests.get函数获取页面内容，并使用BeautifulSoup解析页面中的链接。每解析一个页面，它都会检查该页面中的所有链接，添加新的URL到队列中，并跟踪哪些URL已经被访问过，以防止无限循环和重复爬取。这个简单的爬虫示例展示了如何使用Python进行网络爬取，并且是学习进行网络爬虫开发的基础。