Python爬虫常见问题

前端热点排行

于 2024-04-30 15:07:15 发布

阅读量1k

点赞数 27

分类专栏：程序员文章标签： python 爬虫开发语言

本文链接：https://blog.csdn.net/m0_61549740/article/details/138346532

版权

程序员专栏收录该内容

167 篇文章 0 订阅

订阅专栏

(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。
学好 Python 不论是就业还是做副业赚钱都不错，但要学会 Python 还是要有一个学习规划。最后大家分享一份全套的 Python 学习资料，给那些想学习 Python 的小伙伴们一点帮助！