(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!
一、Python所有方向的学习路线
Python所有方向路线就是把Python常用的技术点做整理,形成各个领域的知识点汇总,它的用处就在于,你可以按照上面的知识点去找对应的学习资源,保证自己学得较为全面。
二、学习软件
工欲善其事必先利其器。学习Python常用的开发软件都在这里了,给大家节省了很多时间。
三、全套PDF电子书
书籍的好处就在于权威和体系健全,刚开始学习的时候你可以只看视频或者听某个人讲课,但等你学完之后,你觉得你掌握了,这时候建议还是得去看一下书籍,看权威技术书籍也是每个程序员必经之路。
四、入门学习视频
我们在看视频学习的时候,不能光动眼动脑不动手,比较科学的学习方法是在理解之后运用它们,这时候练手项目就很适合了。
五、实战案例
光学理论是没用的,要学会跟着一起敲,要动手实操,才能将自己的所学运用到实际当中去,这时候可以搞点实战案例来学习。
六、面试资料
我们学习Python必然是为了找到高薪的工作,下面这些面试题是来自阿里、腾讯、字节等一线互联网大厂最新的面试资料,并且有阿里大佬给出了权威的解答,刷完这一套面试资料相信大家都能找到满意的工作。
网上学习资料一大堆,但如果学到的知识不成体系,遇到问题时只是浅尝辄止,不再深入研究,那么很难做到真正的技术提升。
一个人可以走的很快,但一群人才能走的更远!不论你是正从事IT行业的老鸟或是对IT行业感兴趣的新人,都欢迎加入我们的的圈子(技术交流、学习资源、职场吐槽、大厂内推、面试辅导),让我们一起学习成长!