(2) 认真观察，善于思考。Network查看加载流程，找可疑的xhr请求，设置xhr断点，通过Call Stack 回溯js执行过程，边回溯边查看上下文代码。能读懂js，知道js的相关知识，比如js里面的window变量。
(3) 以上是通过debug js找到js加密解密的代码，然后通过Python重新实现，这个过程很长，可能耗费你几天的时间，一旦网站改变一下js算法你的Python实现就不能用了。
(4) 用Selenium可简单突破，并且网站随便该都无所谓。唯一遗憾的是，Selenium的运行效率较差。但是，作为一个能用js加密来保护数据的网站，单价的运行效率应该足以满足网站的访问频率限制。这时候，更多的思考是如何增加资源（IP、账号）来提高抓取效率。
第二个问题、多线程、协程，多进程的选择
（1）爬虫是IO密集型任务，大部分时间花在网络访问上，所以多进程不适合网络爬虫，而多线程、异步IO协程更适合，而异步IO是最适合的，它相比多线程，协程间的切换代价更小，我们提倡使用异步IO而非多线程。异步IO的模块主要是：aysncio, aiohttp, aiomysql 等。
（2）网页爬下来后从中提取想要的数据是CPU密集型的，这时候可以用多进程并发提取。
（3）我们推荐的爬虫策略是，爬虫只管爬，把爬下来的html保存起来，存到数据库。然后单独写提取数据的提取器，单独运行提取器。好处是，提取不影响爬取，爬的效率更高，并且提取程序可以随时修改，有新的提取需求时不需要重新抓取。比如，最初写爬虫时只想提取网页中的两项数据，运行一段时间后，发现另外3项数据也很有用，如果保存了html，只需改改提取器重新跑一遍就好了。
第三个问题、如果想要保留加粗或者图片原始位置，只能通过挖掘规律再写正则表达式来针对性处理吗？
网页数据提取主要两种方法：正则表达式，xpath。通过xpath可以获得某个html标签节点。比如，一篇blog网页，它的主体内容都在某个标签里面，可能是某个div。用xpath得到这个div，转换为html，就是包含了格式及其图片的部分，你保存这段html代码而非纯文本就好了。
第四个问题、爬虫的增量爬取、断点续爬、去重等
（1）通过网址池的概念去管理所有的URL
（2）增量爬取就是不重复下载已经下载过的，让网址池记住那些已经下载过的URL；
（3）断点续爬，就是上次还没有爬取的URL这次接着爬，还是让网址池记住那些还没被爬取的URL
（4）爬虫的去重，让网址池记录URL的状态以避免重复爬取。
第五个问题、爬虫的部署问题，在公司是不是分布式爬虫系统比较多会涉及部署问题
爬虫的部署，不一定是分布式的。大规模的爬虫，突破了目标网站限制的爬虫才会涉及到分布式，分布式的好处是抓取速度提高，但是管理会比较复杂。
第六个问题、网页的自动解析？这个话题就包含很多子任务了： 怎么自动抽取文章的内容，如何处理各种各样的时间格式，怎样处理翻页
（1）文章内容的提取，基本的是每种网页建立一个提取模板（正则表达式），好处是提取精准，坏处是工作量大，一旦稍微改版就失败。通过算法建立单一提取程序，基本上都可以提取，但是可能会有写杂质，比如文末的相关阅读。好处是，一劳永逸，不受改版限制。
（2）时间的提取，除了正则表达式之外似乎没有特别有效的方法。
（3）翻页的话，如果只是抓取，把该页的url提取出来继续抓；如何在提取内容时要把多页内容合并成一个网页，那就要特别处理。
第七个问题、爬新闻类的网站时，如何做好同一新闻，各网站相互转载，爬取时文本去重
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）
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）
1668
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
