Python 爬虫方法总结

实现爬虫的套路

• 准备URL

  • 准备start_url
    • url地址规律不明显，总数不确定
    • 通过代码提取下一页的url
      • 通过xpath提取
      • 寻找url地址，部分参数在当前的响应中（比如当前页码数和总页码数在当前的响应中）
  • 准备url_list
    • 页码总数明确的时候
    • url地址规律明显

• 发送请求，获取响应

  • 添加随机的User-Agent，反反爬虫
  • 添加随机的代理IP，反反爬虫
  • 在对方判断出我们是爬虫之后，应该添加更多的headers字段，包括cookie
  • cookie的处理可以使用session解决
  • 准备一堆能用的cookie，组成cookie池
    • 如果不登陆
      • 准备刚开始能够成功请求对方网站的cookie，即接受对方网站设置在response的cookie
      • 下一次请求的时候，使用之前的列表中的cookie来请求
    • 如果登录
      • 准备多个账号
      • 使用程序获取每个账号的cookie
      • 之后请求登录之后才能访问的网站随机的选择cookie

• 提取数据

  • 确定数据的位置
    • 如果数据在列表当前的地址中
      • 提取的是列表页的数据
        • 直接请求列表页的url地址，不用进去详情页
      • 提取的是详情页的数据
        • 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
      • 在其他的响应中，寻找数据的位置
        • 1. 从network中从上往下找
          2. 使用chrome中的【过滤条件，选择除了js，css，img之外的选项
          3. 使用chrome的search all file，搜索数字和英文
  • 数据的提取
    • xpath，从html中提取整块的数据，先分组，之后每一组再提取
    • re（正则），提取max_time，price，html中的json字符串
    • json

• 保存

  • 保存在本地（text, json, csv）
  • 保存在数据库