Python爬虫宝典：从爬取网页到App所有思路总结

Posted 2021-09-08 yunyun云芸

前言

• 一、网页爬取
• 二、 App 爬取
• 三、解析
• 四、存储
• 五、反爬处理手段
• • 1.防止封 IP
  • 2.验证码
  • 3.避免封账号
• 六、提高爬取速度
• • 1.多线程、多进程
  • 2.异步
  • 3. 分布式
  • 4.优化
  • 5.架构

爬虫在工作生活中使用非常广泛，无论是论文数据准备还是市场调研还是工作工具等等都十分有用，爬取的目标大部分是网页或App，所以今天就从这两大类分别来进行介绍。

爬虫大纲：

1.网页爬取

对于网页来说，将其划分为了两种类别

• 服务端渲染
• 客户端渲染

2.App 爬取

对于 App 来说，我又针对接口的形式进行了四种类别的划分

• 普通接口

• 加密参数接口

• 加密内容接口

• 非常规协议接口
  

一、网页爬取

服务端渲染的意思就是页面的结果是由服务器渲染后返回的，有效信息包含在请求的 html 页面里面，比如猫眼电影这个站点。客户端渲染的意思就是页面的主要内容由 javascript 渲染而成，真实的数据是通过 Ajax 接口等形式获取的，比如淘宝、最右手机版等等站点。

服务端渲染的情况就比较简单了，用一些基本的 HTTP 请求库就可以实现爬取，如 urllib、urllib3、pycurl、hyper、requests、grab 等框架，其中应用最多的可能就是 requests 了。

对于客户端渲染，划分四个处理方法：

1. 寻找 Ajax 接口，此种情形可以直接使用 Chrome/Firefox 的开发者工具直接查看 Ajax具体的请求方式、参数等内容，然后用 HTTP 请求库模拟即可，另外还可以通过设置代理抓包来查看接口，如 Fiddler/Charles。
2. 模拟浏览器执行，此种情形适用于网页接口和逻辑较为复杂的情况，可以直接以可见即可爬的方式进行爬取，如可以使用Selenium、Splinter、Spynner、pyppeteer、PhantomJS、Splash、requests-html等来实现。
3. 直接提取 JavaScript 数据，此种情形适用于真实数据没有经过 Ajax 接口获取，而是直接包含在 HTML结果的某个变量中，直接使用正则表达式将其提取即可。
4. 模拟执行 JavaScript，某些情况下直接模拟浏览器执行效率会偏低，如果我们把 JavaScript的某些执行和加密逻辑摸清楚了，可以直接执行相关的 JavaScript 来完成逻辑处理和接口请求，比如使用Selenium、PyExecJS、PyV8、js2py 等库来完成即可。

二、 App 爬取

对于 App 的爬取，这里分了四个处理情况：

1. 对于普通无加密接口，这种直接抓包拿到接口的具体请求形式就好了，可用的抓包工具有Charles、Fiddler、mitmproxy。
2. 对于加密参数的接口，一种方法可以实时处理，例如 Fiddler、mitmdump、Xposed
   等，另一种方法是将加密逻辑破解，直接模拟构造即可，可能需要一些反编译的技巧。
3. 对于加密内容的接口，即接口返回结果完全看不懂是什么东西，可以使用可见即可爬的工具 Appium，也可以使用 Xposed 来 hook获取渲染结果，也可以通过反编译和改写手机底层来实现破解。
4. 对于非常规协议，可以使用 Wireshark 来抓取所有协议的包，或者使用 Tcpdump 来进行 TCP 数据包截获。

三、解析

解析，对于 HTML 类型的页面来说，常用的解析方法就那几种，正则、XPath、CSS Selector，另外对于某些接口，常见的可能就是 JSON、XML 类型，使用对应的库进行处理即可。

这些规则和解析方法其实写起来是很繁琐的，如果我们要爬上万个网站，可以用上智能解析，意思就是说，如果能提供一个页面，算法可以自动来提取页面的标题、正文、日期等内容，同时把无用的信息给刨除。

对于智能解析，分为四个方法划分：

1. readability 算法，这个算法定义了不同区块的不同标注集合，通过权重计算来得到最可能的区块位置。
2. 疏密度判断，计算单位个数区块内的平均文本内容长度，根据疏密程度来大致区分。
3. Scrapyly 自学习，是 Scrapy 开发的组件，指定⻚页⾯面和提取结果样例例，其可⾃自学习提取规则，提取其他同类⻚页⾯面。
4. 深度学习，使⽤用深度学习来对解析位置进⾏行行有监督学习，需要⼤大量量标注数据。

四、存储

存储，即选用合适的存储媒介来存储爬取到的结果，这里还是分为四种存储方式来进行介绍：

1. 文件，如 JSON、CSV、TXT、图⽚、视频、⾳频等，常用的一些库有csv、xlwt、json、pandas、pickle、python-docx 等。
2. 数据库，分为关系型数据库、非关系型数据库，如 mysql、MongoDB、HBase 等，常用的库有 pymysql、pymssql、redis-py、pymongo、py2neo、thrift。
3. 搜索引擎，如 Solr、ElasticSearch 等，便于检索和实现⽂本匹配，常用的库有 elasticsearch、pysolr等。
4. 云存储，某些媒体文件可以存到如七⽜牛云、又拍云、阿里云、腾讯云、Amazon S3 等，常用的库有qiniu、upyun、boto、azure-storage、google-cloud-storage 等。

这部分的关键在于和实际业务相结合，看看选用哪种方式更可以应对业务需求。

五、反爬处理手段

反爬这部分是个重点，爬虫现在已经越来越难了，非常多的网站已经添加了各种反爬措施，在这里可以分为非浏览器检测、封 IP、验证码、封账号、字体反爬等。下面主要从封 IP、验证码、封账号三个方面来阐述反爬的处理手段。

1.防止封 IP

对于封 IP 的情况，可以分为几种情况来处理：

1. 首先寻找手机站点、App 站点，如果存在此类站点，反爬会相对较弱。
2. 使用代理，如抓取免费代理、购买付费代理、使用 Tor 代理、Socks 代理等。
3. 在代理的基础上维护自己的代理池，防止代理浪费，保证实时可用。
4. 搭建 ADSL 拨号代理，稳定高效。

2.验证码

验证码分为非常多种，如普通图形验证码、算术题验证码、滑动验证码、点触验证码、手机验证码、扫二维码等。

对于普通图形验证码，如果非常规整且没有变形或干扰，可以使用 OCR 识别，也可以使用机器学习、深度学习来进行模型训练，当然打码平台是最方便的方式。

1. 对于算术题验证码，推荐直接使用打码平台。
2. 对于滑动验证码，可以使用破解算法，也可以模拟滑动。后者的关键在于缺口的找寻，可以使用图片比对，也可以写基本的图形识别算法，也可以对接打码平台，也可以使用深度学习训练识别接口。
3. 对于点触验证码，推荐使用打码平台。
4. 对于手机验证码，可以使用验证码分发平台，也可以购买专门的收码设备，也可以人工验证。
5. 对于扫二维码，可以人工扫码，也可以对接打码平台。
   

3.避免封账号

某些网站需要登录才能爬取，但是一个账号登录之后请求过于频繁会被封号，为了避免封号，可以采取如下措施：

1. 寻找手机站点或 App 站点，此种类别通常是接口形式，校验较弱。
2. 寻找无登录接口，尽可能寻找⽆无需登录即可爬取的接口。
3. 维护 Cookies 池，使⽤用批量账号模拟登录，使⽤时随机挑选可用 Cookies使⽤即可，实现：https://github.com/Python3WebSpider/CookiesPool。

六、提高爬取速度

当爬取的数据量非常大时，如何高效快速地进行数据抓取是关键。常见的措施有多线程、多进程、异步、分布式、细节优化等。

1.多线程、多进程

爬虫是网络请求密集型任务，所以使用多进程和多线程可以大大提高抓取效率，如使用 threading、multiprocessing 等。

2.异步

将爬取过程改成非阻塞形式，当有响应式再进行处理，否则在等待时间内可以运行其他任务，如使用 asyncio、aiohttp、Tornado、Twisted、gevent、grequests、pyppeteer、pyspider、Scrapy 等。

3. 分布式

分布式的关键在于共享爬取队列，可以使用 celery、huey、rq、rabbitmq、kafka 等来实现任务队列的对接，也可以使用现成的框架 pyspider、Scrapy-Redis、Scrapy-Cluster 等。

4.优化

可以采取某些优化措施来实现爬取的加速，如：

1. DNS 缓存
2. 使用更快的解析方法
3. 使用更高效的去重方法
4. 模块分离化管控

5.架构

如果搭建了分布式，要实现高效的爬取和管理调度、监控等操作，我们可以使用两种架构来维护我们的爬虫项目。

1. 将 Scrapy 项目打包为 Docker 镜像，使用 K8S 控制调度过程。
2. 将 Scrapy 项目部署到 Scrapyd，使用专用的管理工具如 SpiderKeeper、Gerapy 等管理。

到这结束啦，爬虫的好处只有你亲身去体会才知道他有多香，更多Python精彩内容，可以关注我私信我。