接觸爬蟲很久了，一直沒有個系統的理解和整理，近來假日無事，總結一下。

-------------------------------------------以下是目錄---------------------------------------------------------

一、爬蟲概述及分類

二、爬蟲的應用場景

三、爬蟲的一般執行過程

四、爬蟲技術常用的知識

五、反爬蟲

-------------------------------------------以下是正文---------------------------------------------------------

一、爬蟲概述及分類

??????? 網絡爬蟲（又被稱為網頁蜘蛛，網絡機器人，在FOAF社區中間，更經常的稱為網頁追逐者），是一種按照一定的規則，自動地抓取萬維網信息的程序或者腳本。另外一些不常使用的名字還有螞蟻、自動索引、模擬程序或者蠕蟲。

?????? 目前爬蟲種類和一些基本信息如下：

?????

二、爬蟲的應用場景

三、爬蟲的一般執行過程

執行過程：

?????????

各部分運行關系流程圖：

四、爬蟲技術常用的知識

?????? 1、數據抓取：

???????????????? 1.1，涉及的過程主要是模擬瀏覽器向服務器發送構造好的http請求，一般是get或者post類型；

???????????????? 1.2，爬蟲的實現，除了scrapy框架之外，python有很多可供調用的庫：

???????????????????????? urllib、requests、mechanize：用于獲取URL對應的原始響應內容；

???????????????????????? selenium、splinter通過加載瀏覽器驅動，獲取渲染之后的響應內容，模擬程度高，但是效率低；

???????????????? 1.3，http協議、身份認證機制（Cookie）；

???????????????? 1.4，網絡流量分析：Chrome、Firfox+Firebug、Fiddler、Burp Suite 。

?????? 2、數據解析：

????????????????? 2.1，HTM結構、json數據格式、XML數據格式；

????????????????? 2.2，庫：lxml、beautiful-soup4、re、pyquery；

????????????????? 2.3，從頁面提取所需數據的方法：

?????????????????????????? xpath路徑表達式、CSS選擇器（主要用于提取結構化數據）

?????????????????????????? 正則表達式（主要用于提取非結構化數據）。

?????? 3、數據庫：

????????????????? 3.1，結構化數據庫：MySQL、SQLite等；

????????????????? 3.2，非結構化數據庫：Redis等。

?????? 4、其他：

????????????????? 4.1，多線程、任務調度、消息隊列、分布式爬蟲、圖像識別、反爬蟲技術等等。。。。。。

五、反爬蟲

?????????? 1. 基本的反爬蟲手段，主要是檢測請求頭中的字段，比如：User-Agent、 referer等。 針對這種情

況，只要在請求中帶上對應的字段即可。 所構造http請求的各個字段最好跟在瀏覽器中發送的完全一

樣，但也不是必須。

?????????? 2. 基于用戶行為的反爬蟲手段，主要是在后臺對訪問的IP（或User-Agent）進行統計，當超過某一

設定的閾值，給予封鎖。 針對這種情況，可通過使用代理服務器解決，每隔幾次請求，切換一下所用

代理的IP地址（或通過使用User-Agent列表解決，每次從列表里隨機選擇一個使用）。 這樣的反爬

蟲方法可能會誤傷用戶。

?????????? 3. 希望抓取的數據是如果通過ajax請求得到的，假如通過網絡分析能夠找到該ajax請求，也能分析出

請求所需的具體參數，則直接模擬相應的http請求，即可從響應中得到對應的數據。 這種情況，跟普

通的請求沒有什么區別。

?????????? 4. 基于Java的反爬蟲手段，主要是在響應數據頁面之前，先返回一段帶有Java代碼的頁面，用于驗

證訪問者有無Java的執行環境，以確定使用的是不是瀏覽器。
?

?

?

總結

以上是生活随笔為你收集整理的python网络爬虫（web spider）系统化整理总结（一）：入门的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。