Python | 其实爬虫也有套路(附赠书获奖名单)

通用爬虫套路

在刚刚接触Python爬虫的时候常常会有无从下手的感觉，于是咸鱼整理了简单爬虫的通用套路，没有思路的时候看一下吧。

准备url

• 准备start url
  • 页码总数不确定，规律不明显
  • 通过代码提取下一页地址
  • 使用xpath提取url
  • 寻找url地址，部分参数在当前页面中，比如当前页码数和总页码数，使用这两个参数构建url
• 准备url list
  • 页码总数清楚
  • url 地址规律明显

发送请求，获取响应

• 添加随机user-agent，反反爬虫
• 添加随机代理ip，反反爬虫
• 在对方判断我们是爬虫之后应该添加更多的headers字段，包含cookie
• cookie的处理可以使用session来解决
• 准备一堆能用的cookie，组成cookie池。
• 如果不登录
  • 准备刚刚开始能够成功请求的cookie，即接收对方网站设置在response的cookie
• 如果登录
  • 准备多个账号
  • 使用程序获取每个账号的cookie
  • 请求登录之后才能访问的网站随机选择上一步获取的cookie

提取数据

• 确定数据的位置
  • 如果数据在当前的url地址中
  • 提取的是列表页中的数据
  • 直接请求列表页的url地址，不用进入详情页
  • 提取详情页的数据
  • 1.确定url
  • 2.发送请求
  • 3.提取数据
  • 4.返回
  • 如果数据不在当前的url地址中
  • 在其他响应中，寻找数据的位置
  • 在network中从上而下找
  • 使用chrome中的过滤条件，选择除了js，css, image之外的按钮
  • 使用chrome的serach all file，搜索数字和英文
• 数据的提取
  • xpath，从html中提取整块的数据，先分组，之后每一组在提取
  • re，提取max_time，html等
  • json

保存数据

• 保存在本地json ，csv，text
• 保存在数据库