5分钟带你深入了解Python爬虫，你会发现爬虫其实没有那么难 _Python爬虫

Python学习网络爬虫主要分3个大的版块：抓取，分析，存储。
另外，比较常用的爬虫框架Scrapy，这里最后也详细介绍一下。

文章插图

当我们在浏览器中输入一个url后回车，后台会发生什么？比如说你输入：http://www.baidu.com/，你就会看到百度首页。
简单来说这段过程发生了以下4个步骤：

查找域名对应的IP地址。
向IP对应的服务器发送请求。
服务器响应请求，发回网页内容。
浏览器解析网页内容。

网络爬虫要做的，简单来说，就是实现浏览器的功能。通过指定url，直接返回给用户所需要的数据，而不需要一步步人工去操纵浏览器获取。
抓取这一步，你要明确要得到的内容是什么？是html源码，还是Json格式的字符串等。
最基本的抓取
抓取大多数情况属于get请求，即直接从对方服务器上获取数据。
首先，Python中自带urllib及urllib2这两个模块，基本上能满足一般的页面抓取。另外，requests也是非常有用的包，与此类似的，还有httplib2等等。

文章插图

此外，对于带有查询字段的url，get请求一般会将来请求的数据附在url之后，以?分割url和传输数据，多个参数用&连接。

文章插图

对于登陆情况的处理
1、使用表单登陆
这种情况属于post请求，即先向服务器发送表单数据，服务器再将返回的cookie存入本地。

文章插图

2、使用cookie登陆
使用cookie登陆，服务器会认为你是一个已登陆的用户，所以就会返回给你一个已登陆的内容。因此，需要验证码的情况可以使用带验证码登陆的cookie解决。

文章插图

若存在验证码，此时采用response = requests_session.post(url=url_login, data=https://www.isolves.com/it/cxkf/yy/Python/2019-11-28/data)是不行的，做法应该如下：

文章插图

对于反爬虫机制的处理
1、使用代理
适用情况：限制IP地址情况，也可解决由于“频繁点击”而需要输入验证码登陆的情况。
这种情况最好的办法就是维护一个代理IP池，网上有很多免费的代理IP，良莠不齐，可以通过筛选找到能用的。对于“频繁点击”的情况，我们还可以通过限制爬虫访问网站的频率来避免被网站禁掉。

文章插图

2、时间设置
适用情况：限制频率情况。
Requests，Urllib2都可以使用time库的sleep()函数：
import timetime.sleep(1)3、伪装成浏览器，或者反“反盗链”
有些网站会检查你是不是真的浏览器访问，还是机器自动访问的。这种情况，加上User-Agent，表明你是浏览器访问即可。有时还会检查是否带Referer信息还会检查你的Referer是否合法，一般再加上Referer 。

文章插图

对于断线重连
不多说

文章插图

或者

文章插图

这样我们就可以使用multi_session或multi_open对爬虫抓取的session或opener进行保持。
多进程抓取
这里针对华尔街见闻进行并行抓取的实验对比：Python多进程抓取与 JAVA单线程和多线程抓取。

对于Ajax请求的处理
对于“加载更多”情况，使用Ajax来传输很多数据。
它的工作原理是：从网页的url加载网页的源代码之后，会在浏览器里执行JavaScript程序。这些程序会加载更多的内容，“填充”到网页里。这就是为什么如果你直接去爬网页本身的url，你会找不到页面的实际内容。
这里，若使用google Chrome分析”请求“对应的链接(方法：右键→审查元素→Network→清空，点击”加载更多“，出现对应的GET链接寻找Type为text/html的，点击，查看get参数或者复制Request URL)，循环过程。