微博爬虫的一些经验和思考
1. 总结
如果量不大,大型网站(微博,知乎),建议直接使用路线2,省时省力
如果量不大,小型网站(反爬策略弱),直接路线1
2. todos
- 分布式爬虫
- 自建框架
- scrapy
- 抓包,爬取app数据
3. 基本路线
- requests: 需要手动寻找请求, 高频依赖代理,useragent,cookie
- 构造Header头时需重点关注Referer和Useragent
- selenium + chromedriver: 频率不高或网页结构复杂
- 针对微博两次请求可以间隔十秒
4. cookie
- 登录后手动获取
- 注意:登出后可能失效
- 自动登录获取
- selenium 模拟登录获取(推荐)
- requests 模拟请求
5. 代理
-
购买付费代理
-
抓取免费代理: 质量十分差
-
进阶:构建代理池
6. 验证码
-
打码平台: 省事,便宜
-
进阶: 机器学习验证码识别
7. Others
- 两次请求之间随机睡眠