爬虫总结

Posted 2020-11-13 lxp-never

爬取网站的思路

1. 先确定是否为动态加载网站
2. 找URL规律
3. 正则表达式或xpath
4. 定义程序框架，补全并测试代码

多级页面数据抓取

1、爬取一级页面，提取所需数据+链接，继续跟进

2、爬取二级页面，提取所需数据+链接，继续跟进

3、...

爬虫代码规范书写：

# 程序结构
class xxxSpider(object):
    def __init__(self):
        # 定义常用变量,url,headers及计数等
        
    def get_html(self):
        # 获取响应内容函数,使用随机User-Agent
    
    def parse_html(self):
        # 使用正则表达式来解析页面，提取数据
    
    def write_html(self):
        # 将提取的数据按要求保存，csv、mysql数据库等
        
    def main(self):
        # 主函数，用来控制整体逻辑
        
if __name__ == ‘__main__‘:
    # 程序开始运行时间戳
    start = time.time()
    spider = xxxSpider()
    spider.main()
    # 程序运行结束时间戳
    end = time.time()
    print(‘执行时间:%.2f‘ % (end-start))

常见的反爬总结

基于User-Agent反爬

一般被关注的变量是userAgent和Referer和Cookie，可以考虑用浏览器中

1、发送请求携带请求头: headers={‘User-Agent‘ : ‘Mozilla/5.0 xxxxxx‘}

User-Agent限制：网站可能会判断当某一个User-Agent高频率访问的时候，会加以限制。

解决方法：

  1、定义列表存放大量User-Agent，使用random.choice()每次随机选择

  2、定义py文件存放大量User-Agent，使用random.choice()每次随机选择

  3、使用fake_useragent每次访问随机生成User-Agent

from fake_useragent import UserAgent

ua = UserAgent()
user_agent = ua.random
print(user_agent)

IP限制：网站根据IP地址访问频率进行反爬,短时间内进制IP访问

解决方案：

1、构造自己IP代理池，每次访问随机选择代理，经常更新代理池
2、购买开放代理或私密代理IP
3、降低爬取的速度

Cookies：建立有效的Cookie池，每次访问随机切换

1、适用网站类型: 爬取网站页面时需要登录后才能访问，否则获取不到页面的实际响应数据

2、方法1（利用cookie）

　　　　1、先登录成功1次,获取到携带登陆信息的Cookie（处理headers）

　　　　2、利用处理的headers向URL地址发请求

3、方法2（利用session会话保持）

　　1、实例化session对象

　　　　session = requests.session()

　　2、先post : session.post(post_url,data=post_data,headers=headers)

　　　　1、登陆，找到POST地址: form -> action对应地址

　　　　2、定义字典，创建session实例发送请求

　　　　　　# 字典key ：<input>标签中name的值(email,password)

　　　　　　# post_data = {‘email‘:‘‘,‘password‘:‘‘}

　　3、再get : session.get(url,headers=headers)

验证码：验证码数量较少可人工填写，图形验证码可使用tesseract识别，其他情况只能在线打码、人工打码和训练机器学习模型

响应内容前端JS做处理反爬

1、html页面中可匹配出内容，程序中匹配结果为空

• 响应内容中嵌入js，对页面结构做了一定调整导致，通过打印查看网页源代码，格式化输出查看结构，更改xpath或者正则测试

2、如果数据出不来可考虑更换 IE 的User-Agent尝试，数据返回最标准

From表达数据认证（salt、sign）签名及js加密：一般为本地JS加密,查找本地JS文件,分析,或者使用execjs模块执行JS

js调整页面结构

js在响应中指定新地址：从响应代码中找目标地址，政府行政编码

动态生成

动态加载的数据，数据不再网页代码中，而是在后台的异步加载的数据包中。

1、F12打开控制台，页面动作抓取网络数据包

2、抓取json文件URL地址

# 控制台中 XHR ：异步加载的数据包

# XHR -> Query String(查询参数)

请求模块总结

urllib库使用流程

# 编码
params = {
    ‘‘:‘‘,
    ‘‘:‘‘
}
params = urllib.parse.urlencode(params)
url = baseurl + params
?
# 请求
request = urllib.request.Request(url,headers=headers)
response = urllib.request.urlopen(request)
html = response.read().decode(‘utf-8‘)

requests模块使用流程

baseurl = ‘http://tieba.baidu.com/f?‘
html = requests.get(baseurl,params=params,headers=headers).content.decode(‘utf-8‘,‘ignore‘)

写程序最终目的：程序不要因为任何异常而终止，页面请求设置超时时间，并用try捕捉异常，超过指定次数更换下一个url地址

scrapy框架爬虫

selenium+browser爬虫

解析模块总结

正则解析re模块

import re 
?
pattern = re.compile(‘正则表达式‘,re.S)
r_list = pattern.findall(html)

lxml解析库

from lxml import etree
?
parse_html = etree.HTML(res.text)
r_list = parse_html.xpath(‘xpath表达式‘)

json

# json
# 响应内容由json转为python
html = json.loads(res.text) 
# 所抓数据保存到json文件
with open(‘xxx.json‘,‘a‘) as f:
    json.dump(item_list,f,ensure_ascii=False)
# 或
f = open(‘xxx.json‘,‘a‘)
json.dump(item_list,f,ensure_ascii=False)
f.close()

Chrome浏览器安装插件

在线安装

1. 下载插件 - google访问助手
2. 安装插件 - google访问助手: Chrome浏览器-设置-更多工具-扩展程序-开发者模式-拖拽(解压后的插件)
3. 在线安装其他插件 - 打开google访问助手 - google应用商店 - 搜索插件 - 添加即可

离线安装

1. 下载插件 - xxx.crx 重命名为 xxx.zip，解压不解压都可以，我没解压
2. 打开Chrome浏览器 -> 右上角设置 -> 更多工具 -> 扩展程序 -> 点开开发者模式
3. 把相关插件文件夹 拖拽 到浏览器中，释放鼠标即可安装
4. 重启浏览器，使插件生效

爬虫常用插件插件

1. google-access-helper : 谷歌访问助手,可访问 谷歌应用商店
2. Xpath Helper: 轻松获取HTML元素的xPath路径，开启/关闭: Ctrl + Shift + x
3. Proxy SwitchyOmega: Chrome浏览器中的代理管理扩展程序
4. JsonView: 格式化输出json格式数据