- 开启循环及多线程
对多⻚内容遍历,开启多线程提⾼抓取速度。
3.3Selenium+Chrome/PhantomJS爬取淘宝美食
- 搜索关键字
利⽤Selenium驱动浏览器搜索关键字,得到查询后的商品列表。
- 分析⻚码并翻⻚
得到商品⻚码数,模拟翻⻚,得到后续⻚⾯的商品列表。
- 分析提取商品内容
利⽤PyQuery分析源码,解析得到商品列表。
- 存储⾄MongoDB
将商品列表信息存储到数据库MongoDB。
3.4 用Flask+Redis维护代理池
3.4.1 为什么要用代理池
许多⽹站有专⻔的反爬⾍措施,可能遇到封IP等问题。
互联⽹上公开了⼤量免费代理,利⽤好资源。
通过定时的检测维护同样可以得到多个可⽤代理
3.4.2 代理池的要求
多站抓取,异步检测
定时筛选,持续更新
提供接⼝,易于提取
3.4.3 代理池的架构
3.4.4 使用
得到新的IP
localhost:5000/get
查看代理池数量
localhost:5000/count
3.5 用代理抓取微信文章
3.5.1 目标站点分析
- 抓取索引⻚内容
利⽤requests请求⽬标站点,得到索引⽹⻚HTML代码,返回结果。
- 代理设置
如果遇到302状态码,则证明IP被封,切换代理重试。
- 分析详情⻚内容
请求详情⻚,分析得到标题,正⽂等内容
- 将数据保存到数据库
将结构化数据保存⾄MongoDB
3.5 使用Redis+Flask维护动态cookies池
3.5.1为什么要⽤Cookies池
⽹站需要登录才可爬取,例如新浪微博
爬取过程中如果频率过⾼会导致封号
自我介绍一下,小编13年上海交大毕业,曾经在小公司待过,也去过华为、OPPO等大厂,18年进入阿里一直到现在。
深知大多数Python工程师,想要提升技能,往往是自己摸索成长或者是报班学习,但对于培训机构动则几千的学费,着实压力不小。自己不成体系的自学效果低效又漫长,而且极易碰到天花板技术停滞不前!
因此收集整理了一份《2024年Python开发全套学习资料》,初衷也很简单,就是希望能够帮助到想自学提升又不知道该从何学起的朋友,同时减轻大家的负担。
既有适合小白学习的零基础资料,也有适合3年以上经验的小伙伴深入学习提升的进阶课程,基本涵盖了95%以上前端开发知识点,真正体系化!
由于文件比较大,这里只是将部分目录大纲截图出来,每个节点里面都包含大厂面经、学习笔记、源码讲义、实战项目、讲解视频,并且后续会持续更新
如果你觉得这些内容对你有帮助,可以扫码获取!!!(备注:Python)
95%以上前端开发知识点,真正体系化!**
由于文件比较大,这里只是将部分目录大纲截图出来,每个节点里面都包含大厂面经、学习笔记、源码讲义、实战项目、讲解视频,并且后续会持续更新
如果你觉得这些内容对你有帮助,可以扫码获取!!!(备注:Python)