Python | 其实爬虫也有套路(附赠书获奖名单)

写在前面

咸鱼的第二次自费赠书活动已经完美落幕，谢谢大家的支持。
本次获奖的幸运儿是：

请以上三位朋友在72小时内联系我选书，逾期没有联系我的，就只好送给其他小伙伴了。

赞赏送书活动也完美落幕了，感谢28位小伙伴的打赏，希望你们能喜欢咸鱼送出的铁粉福利。下次送书，你懂得~

赞赏送书截图

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

1 . 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

2 . 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

1. 添加随机user-agent，反反爬虫

2. 添加随机代理ip，反反爬虫

3. 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

4. cookie的处理可以使用session来解决

5. 准备一堆能用的cookie，组成cookie池。

6. 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

1 . 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

2 . 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

推荐阅读

Python | 关于Requests与Json的使用小结

标签：提取,Python,爬虫,url,地址,cookie,赠书,数据
来源： https://blog.51cto.com/15072780/2581430