学会这些,轻松搞定爬虫!

475次阅读
没有评论

学会这些,轻松搞定爬虫!

什么是 “爬虫”?

简单来说,写一个从 web 上获取需要数据并按规定格式存储的程序就叫爬虫;

爬虫理论上步骤很简单,第一步获取 html 源码,第二步分析 html 并拿到数据。但实际操作,老麻烦了~

用 Python 写 “爬虫” 有哪些方便的库

常用网络请求库:requests、urllib、urllib2、

urllib 和 urllib2 是 Python 自带模块,requests 是第三方库

常用解析库和爬虫框架:

BeautifulSoup、lxml、HTMLParser、selenium、Scrapy

HTMLParser 是 Python 自带模块;

BeautifulSoup 可以将 html 解析成 Python 语法对象,直接操作对象会非常方便;

lxml 可以解析 xml 和 html 标签语言,优点是速度快;

selenium 调用浏览器的 driver,通过这个库你可以直接调用浏览器完成某些操作,比如输入验证码;

Scrapy 很强大且有名的爬虫框架,可以轻松满足简单网站的爬取;

爬虫 需要掌握哪些知识

1)超文本传输协议 HTTP:HTTP 协议定义了浏览器怎样向万维网服务器请求万维网文档,以及服务器怎样把文档传送给浏览器。常用的 HTTP 方法有 GET、POST、PUT、DELETE。

2)统一资源定位符 URL: URL 是用来表示从因特网上得到的资源位置和访问这些资源的方法。URL 给资源的位置提供一种抽象的识别方法,并用这种方法给资源定位。只要能够对资源定位,系统就可以对资源进行各种操作,如存取、更新、替换和查找其属性。URL 相当于一个文件名在网络范围的扩展。

3)超文本标记语言 HTTP:HTML 指的是超文本标记语言,是使用标记标签来描述网页的。HTML 文档包含 HTML 标签和纯文本,也称为网页。Web 浏览器的作用是读取 HTML 文档,并以网页的形式显示出它们。浏览器不会显示 HTML 标签,而是使用标签来解释页面的内容。简而言之就是你要懂点前端语言,这样描述更直观贴切。

4)浏览器调试功能:学爬虫就是抓包,对请求和响应进行分析,用代码来模拟

进阶爬虫

熟练了基本爬虫之后,你会想着获取更多的数据,抓取更难的网站,然后你就会发现获取数据并不简单,而且现在反爬机制也非常的多。

a. 爬取知乎、简书,需要登录并将下次的请求时将 sessions 带上,保持登录姿态;

b. 爬取亚马逊、京东、天猫等商品信息,由于信息量大、反爬机制完善,需要分布式【这里就难了】爬取,以及不断切换 USER_AGENT 和代理 IP;

c. 滑动或下拉加载和同一 url 加载不同数据时,涉及 ajax 的异步加载。这里可以有简单的返回 html 代码、或者 json 数据,也可能有更变态的返回 js 代码然后用浏览器执行,逻辑上挺简单、但是写代码那叫一个苦哇;

d. 还有点是需要面对的,验证码识别。这个有专门解析验证码的平台….. 不属于爬虫范畴了,自己处理需要更多的数据分析知识。

e. 数据储存,关系数据库和非关系数据库的选择和使用,设计防冗余数据库表格,去重。大量数据存储数据库,会变得很头疼,

f. 编码解码问题,数据的存储涉及一个格式的问题,python2 或者 3 也都会涉及编码问题。另外网页结构的不规范性,编码格式的不同很容易触发编码异常问题。下图一个简单的转码规则

一些常见的限制方式

a.Basic Auth:一般会有用户授权的限制,会在 headers 的 Autheration 字段里要求加入;

b.Referer:通常是在访问链接时,必须要带上 Referer 字段,服务器会进行验证,例如抓取京东的评论;

c.User-Agent:会要求真是的设备,如果不加会用编程语言包里自有 User-Agent,可以被辨别出来;

d.Cookie:一般在用户登录或者某些操作后,服务端会在返回包中包含 Cookie 信息要求浏览器设置 Cookie,没有 Cookie 会很容易被辨别出来是伪造请求;也有本地通过 JS,根据服务端返回的某个信息进行处理生成的加密信息,设置在 Cookie 里面;

e.Gzip:请求 headers 里面带了 gzip,返回有时候会是 gzip 压缩,需要解压;

f.JavaScript 加密操作:一般都是在请求的数据包内容里面会包含一些被 javascript 进行加密限制的信息,例如新浪微博会进行 SHA1 和 RSA 加密,之前是两次 SHA1 加密,然后发送的密码和用户名都会被加密;

g. 网站自定义其他字段:因为 http 的 headers 可以自定义地段,所以第三方可能会加入了一些自定义的字段名称或者字段值,这也是需要注意的。

真实的请求过程中,其实不止上面某一种限制,可能是几种限制组合在一次,比如如果是类似 RSA 加密的话,可能先请求服务器得到 Cookie,然后再带着 Cookie 去请求服务器拿到公钥,然后再用 js 进行加密,再发送数据到服务器。所以弄清楚这其中的原理,并且耐心分析很重要。

总结 

爬虫入门不难,但是需要知识面更广和更多的耐心 

一句话概括爬虫 —— 爬虫本质就是 cosplay,将爬虫模拟成各种【USER_AGENT】浏览器,甚至还模拟成别人【ip 代理】的浏览器。

神龙|纯净稳定代理IP免费测试>>>>>>>>天启|企业级代理IP免费测试>>>>>>>>IPIPGO|全球住宅代理IP免费测试

相关文章:

版权声明:wuyou2019-11-19发表,共计2066字。
新手QQ群:570568346,欢迎进群讨论 Python51学习
评论(没有评论)