0
点赞
收藏
分享

微信扫一扫

爬虫常见套路

xpath的包含

  • //div[contains(@class,‘i’)]

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
  • xpath
  • 寻找url地址,部分参数在当前的响应中(比如,当前页码数和总的页码数在当前的响应中)

  • 准备url_list
  • 页码总数明确
  • 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来解决
  • 准备一堆能用的cookie,组成cookie池
  • 如果不登录
  • 准备刚开始能够成功请求对方网站的cookie,即接收对方网站设置在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
  • 如果数据在当前的url地址中
  • 提取的是列表页的数据
  • 直接请求列表页的url地址,不用进入详情页
  • 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,选择出了js,css,img之外的按钮
  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,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


举报

相关推荐

0 条评论