什么是“爬蟲”？www.xihefangpei.com

簡單來說，寫一個從web上獲取需要數據并按規定格式存儲的程序就叫爬蟲；

爬蟲理論上步驟很簡單，第一步獲取html源碼，第二步分析html并拿到數據。但實際操作，老麻煩了~

用Python寫“爬蟲”有哪些方便的庫

常用網絡請求庫：requests、urllib、urllib2、

urllib和urllib2是Python自帶模塊，requests是第三方庫

常用解析庫和爬蟲框架：BeautifulSoup、lxml、HTMLParser、selenium、Scrapy

HTMLParser是Python自帶模塊；

BeautifulSoup可以將html解析成Python語法對象，直接操作對象會非常方便；

lxml可以解析xml和html標簽語言，優點是速度快；

selenium調用瀏覽器的driver，通過這個庫你可以直接調用瀏覽器完成某些操作，比如輸入驗證碼；

Scrapy很強大且有名的爬蟲框架，可以輕松滿足簡單網站的爬取；

\

“爬蟲”需要掌握哪些知識

\

1）超文本傳輸協議HTTP：HTTP協議定義了瀏覽器怎樣向萬維網服務器請求萬維網文檔，以及服務器怎樣把文檔傳送給瀏覽器。常用的HTTP方法有GET、POST、PUT、DELETE。\

【插曲:某站長做了一個網站，奇葩的他把刪除的操作綁定在GET請求上。百度或者谷歌爬蟲爬取網站鏈接，都是用的GET請求，而且一般用瀏覽器訪問網頁都是GET請求。在谷歌爬蟲爬取他網站的信息時，該網站自動刪除了數據庫的全部數據】

2）統一資源定位符URL： URL是用來表示從因特網上得到的資源位置和訪問這些資源的方法。URL給資源的位置提供一種抽象的識別方法，并用這種方法給資源定位。只要能夠對資源定位，系統就可以對資源進行各種操作，如存取、更新、替換和查找其屬性。URL相當于一個文件名在網絡范圍的擴展。

3）超文本標記語言HTTP：HTML指的是超文本標記語言，是使用標記標簽來描述網頁的。HTML文檔包含HTML標簽和純文本，也稱為網頁。Web 瀏覽器的作用是讀取 HTML 文檔，并以網頁的形式顯示出它們。瀏覽器不會顯示 HTML 標簽，而是使用標簽來解釋頁面的內容。簡而言之就是你要懂點前端語言，這樣描述更直觀貼切。

4）瀏覽器調試功能：學爬蟲就是抓包，對請求和響應進行分析，用代碼來模擬

\

**進階爬蟲**

\

熟練了基本爬蟲之后，你會想著獲取更多的數據，抓取更難的網站，然后你就會發現獲取數據并不簡單，而且現在反爬機制也非常的多。

a.爬取知乎、簡書，需要登錄并將下次的請求時將sessions帶上，保持登錄姿態；

b.爬取亞馬遜、京東、天貓等商品信息，由于信息量大、反爬機制完善，需要分布式【這里就難了】爬取，以及不斷切換USER_AGENT和代理IP；

c.滑動或下拉加載和同一url加載不同數據時，涉及ajax的異步加載。這里可以有簡單的返回html代碼、或者json數據，也可能有更變態的返回js代碼然后用瀏覽器執行，邏輯上挺簡單、但是寫代碼那叫一個苦哇；

d.還有點是需要面對的，驗證碼識別。這個有專門解析驗證碼的平臺.....不屬于爬蟲范疇了，自己處理需要更多的數據分析知識。

e.數據儲存，關系數據庫和非關系數據庫的選擇和使用，設計防冗余數據庫表格，去重。大量數據存儲數據庫，會變得很頭疼，

f.編碼解碼問題，數據的存儲涉及一個格式的問題，python2或者3也都會涉及編碼問題。另外網頁結構的不規范性，編碼格式的不同很容易觸發編碼異常問題。下圖一個簡單的轉碼規則

\

****一些常見的限制方式****

\

a.Basic Auth：一般會有用戶授權的限制，會在headers的Autheration字段里要求加入；

b.Referer：通常是在訪問鏈接時，必須要帶上Referer字段，服務器會進行驗證，例如抓取京東的評論；

c.User-Agent：會要求真是的設備，如果不加會用編程語言包里自有User-Agent，可以被辨別出來；

d.Cookie：一般在用戶登錄或者某些操作后，服務端會在返回包中包含Cookie信息要求瀏覽器設置Cookie，沒有Cookie會很容易被辨別出來是偽造請求；也有本地通過JS，根據服務端返回的某個信息進行處理生成的加密信息，設置在Cookie里面；

e.Gzip：請求headers里面帶了gzip，返回有時候會是gzip壓縮，需要解壓；

f.JavaScript加密操作：一般都是在請求的數據包內容里面會包含一些被javascript進行加密限制的信息，例如新浪微博會進行SHA1和RSA加密，之前是兩次SHA1加密，然后發送的密碼和用戶名都會被加密；

g.網站自定義其他字段：因為http的headers可以自定義地段，所以第三方可能會加入了一些自定義的字段名稱或者字段值，這也是需要注意的。

真實的請求過程中，其實不止上面某一種限制，可能是幾種限制組合在一次，比如如果是類似RSA加密的話，可能先請求服務器得到Cookie，然后再帶著Cookie去請求服務器拿到公鑰，然后再用js進行加密，再發送數據到服務器。所以弄清楚這其中的原理，并且耐心分析很重要。

\

**總結**

\

爬蟲入門不難，但是需要知識面更廣和更多的耐心\

一句話概括爬蟲——爬蟲本質就是cosplay，將爬蟲模擬成各種【USER_AGENT】瀏覽器，甚至還模擬成別人【ip代理】的瀏覽器。

\

本作品采用《CC 協議》，轉載必須注明作者和本文鏈接

總結

以上是生活随笔為你收集整理的python爬虫知识_Python 爬虫技术分享的全部內容，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。