-
爬虫理论,怎么样抓包,同步异步分析要抓取的数据,我们的爬虫都是定向爬虫
-
urllib2结合urllib作为入门了解内容,了解urllib2抓取数据的使用
-
requests重点,重点,重点,重复3遍,必须掌握requests的使用
headers:为了伪装浏览器,破解对方网站的反爬措施,针对直接拿不到数据的网站,首先考虑使用headers。
cookies:主要使用在破解登录算法,登录算法破解完成后,拿到cookies,然后根据拿到的cookies去访问个人主页等,需要登录后看到的数据。cookies是服务器写入浏览器本地的数据
params:拼接url的“?”后面的数据,每个 “&”都代表一个字典的键值
data:用于post方式传送数据时使用
timeout:类似于打开浏览器访问第三方网站的时间,限定时间内访问。
proxies:如果第三方网站启用了反爬措施,例如:出现验证码,此时我们可以使用代理IP,访问
- 提取数据 重点,重点,重复3遍,只爬取不提取数据是没有意义的
正则表达式:提供最简单的 (.?) 的使用,要和不要的数据都是用(.?)提取
bs4:需要将文档转换成BeatfulSoup对象,需要lxml解析器进行解析
xpath:lxml解析器解析,父节点,子节点的方式进行查找
- <