Python爬虫开发者工具介绍

前言

本文的文字及图片来源于网络,仅供学习、交流使用,不具有任何商业用途,如有问题请及时联系我们以作处理。

chrome 开发者工具

当我们爬取不同的网站时，每个网站页面的实现方式各不相同，我们需要对每个网站都进行分析。那是否有一些通用的分析方法？我分享下自己爬取分析的“套路”。在某个网站上，分析页面以及抓取数据，我用得最多的工具是 Chrome 开发者工具。

Chrome 开发者工具是一套内置于 Google Chrome 中的 Web 开发和调试工具，可用来对网站进行迭代、调试和分析。因为国内很多浏览器内核都是基于 Chrome 内核，所以国产浏览器也带有这个功能。例如：UC 浏览器、QQ 浏览器、360 浏览器等。

接下来，我们来看看 Chrome 开发者工具一些比较牛逼的功能。

元素面板

通过元素（Element）面板，我们能查看到想抓取页面渲染内容所在的标签、使用什么 CSS 属性（例如：class=“middle”）等内容。例如我想要抓取我知乎主页中的动态标题，在网页页面所在处上右击鼠标，选择“检查”，可进入 Chrome 开发者工具的元素面板。

通过这种方法，我们能快速定位出页面某个 DOM 节点，然后可以提取出相关的解析语句。鼠标移动到节点，然后右击鼠标，选择 “Copy”，能快速复制出 Xpath 、CSS elector 等内容解析库的解析语句。

网络面板

网络（Network）面板记录页面上每个网络操作的相关信息，包括详细的耗时数据、HTTP 请求与响应标头和 Cookie，等等。这就是我们通常说的抓包。

其中的 Filters 窗格，我经常使用其来过滤出一些 HTTP 请求，例如过滤出使用 Ajax 发起的异步请求、图片、视频等。

最大的窗格叫 Requests Table，此表格会列出了检索的每一个 HTTP 请求。默认情况下，此表格按时间顺序排序，最早的资源在顶部。点击资源的名称可以显示更多信息。

Requests Table参数：

all：所有请求数据（图片、视频、音频、js代码、css代码）

XHR：XMLHttpRequest 的缩写，是ajax技术的核心，动态加载完成经常分析的一个内容

CSS: css样式文件

JS：JavaScript文件，js解密是常分析的一个页面

Img： Images 图片文件

Font： 字体文件（字体反扒）

DOC ： Document，文档内容

WS: WebSocket，web端的socket数据通信，一般用于一些实时更新的数据

Requests详情：

请求头

Headers 是显示 HTTP 请求的 Headers，我们通过这个能看到请求的方式，以及携带的请求参数等。

• GeneralRequest url ：实际请求的网址Request Method： 请求方法Status Code： 状态码，成功时为 200
• Response Headers服务器返回时设置的一些数据，例如服务器更新的cookie数据最新是在这里出现修改
• Requests Headers请求体，请求不到数据的原因一般出在这里。反扒也是反扒请求体里面的数据Accept：服务器接收的数据格式（一般忽略）Accept-Encoding: 服务器接收的编码（一般忽略）Accept-Language: 服务器接收的语言（一般忽略）Connection: 保持连接（一般忽略）Cookies： cookies信息，是身份信息，爬取VIP资源是需要携带身份信息Host: 请求的主机地址User-Agent: 用户身份代理，服务器根据这个判断用户的大概信息Sec-xxx-xxx: 其他信息，可能没用，可能是反扒。具体情况具体分析

预览

Preview 是请求结果的预览。一般用来查看请求到的图片，对于抓取图片网站比较给力。

响应体

Response 是请求返回的结果。一般的内容是整个网站的源代码。如果该请求是异步请求，返回的结果内容一般是 Json 文本数据。

此数据与浏览器展示的网页可能不一致，因为浏览器是动态加载的

工具栏

Clear

清空所有数据，每一次重新分析时都需要清空之前的数据

Search

搜索框，只要在 ALL 里面出现的过的内容，就可以被直接搜索到。常用与数据检索与 JS 解密

Preserve log

保留日志。当分析在多个页面跳转的内容时，一定要勾上，不然当页面发生新的跳转时，历史数据全部都会被清空。

Disable cache

清空 JavaScript、css 文件的缓存，获取最新的。

保留日志，做爬虫是一定需要勾上

HTTP 传输

https://mp.weixin.qq.com/s/aSwXVrz47lAvQ4k0o4VcZg