python入门爬虫知识点(精华版)

发表于:2018-6-13 09:21

字体: | 上一篇 | 下一篇 | 我要投稿

 作者:fireling    来源:博客园

#
Python
分享:
  Python学习网络爬虫主要分3个大的版块:抓取,分析,存储
  当我们在浏览器中输入一个url后回车,后台会发生什么?
  简单来说这段过程发生了以下四个步骤:
  Python大佬精心梳理的爬虫系统入门知识点,希望对大家有用!
  网络爬虫要做的,简单来说,就是实现浏览器的功能。通过指定url,直接返回给用户所需要的数据,而不需要一步步人工去操纵浏览器获取。
  抓取
  这一步,你要明确要得到的内容是什么?是HTML源码,还是Json格式的字符串等。
  1. 最基本的抓取
  抓取大多数情况属于get请求,Python中自带urllib及urllib2这两个模块,基本上能满足一般的页面抓取。另外,requests也是非常有用的包,与此类似的,还有httplib2等等。
  此外,对于带有查询字段的url,get请求一般会将来请求的数据附在url之后,以?分割url和传输数据,多个参数用&连接。
  
   对于登陆情况的处理
  使用表单登陆
  这种情况属于post请求,即先向服务器发送表单数据,服务器再将返回的cookie存入本地。
  使用cookie登陆
  
  对于反爬虫机制的处理
  使用代理
  适用情况:限制IP地址情况,也可解决由于“频繁点击”而需要输入验证码登陆的情况。
  时间设置
  适用情况:限制频率情况。
  Requests,Urllib2都可以使用time库的sleep()函数:
  import time
  time.sleep(1)
  伪装成浏览器,或者反“反盗链”
  对于断线重连
  对于Ajax请求的处理
  对于“加载更多”情况,使用Ajax来传输很多数据。
  它的工作原理是:从网页的url加载网页的源代码之后,会在浏览器里执行JavaScript程序。
  验证码识别
  对于网站有验证码的情况,我们有三种办法:
  使用代理,更新IP。
  使用cookie登陆。
  验证码识别。
  爬取有两个需要注意的问题:
  如何监控一系列网站的更新情况,也就是说,如何进行增量式爬取?
  对于海量数据,如何实现分布式爬取?
  分析
  抓取之后就是对抓取的内容进行分析,你需要什么内容,就从中提炼出相关的内容来。
  常见的分析工具有正则表达式,BeautifulSoup,lxml等等。
  存储
  分析出我们需要的内容之后,接下来就是存储了。
  我们可以选择存入文本文件,也可以选择存入MySQL或MongoDB数据库等。
  存储有两个需要注意的问题:
  如何进行网页去重?



上文内容不用于商业目的,如涉及知识产权问题,请权利人联系博为峰小编(021-64471599-8017),我们将立即处理。
  内容以什么形式存储?

《2023软件测试行业现状调查报告》独家发布~

关注51Testing

联系我们

快捷面板 站点地图 联系我们 广告服务 关于我们 站长统计 发展历程

法律顾问:上海兰迪律师事务所 项棋律师
版权所有 上海博为峰软件技术股份有限公司 Copyright©51testing.com 2003-2024
投诉及意见反馈:webmaster@51testing.com; 业务联系:service@51testing.com 021-64471599-8017

沪ICP备05003035号

沪公网安备 31010102002173号