1 爬虫的步骤
- 请求网页,获取响应结果
- 解析网页,提取数据
- 数据持久化
2 小知识
-
User-Agent:将爬虫伪装成浏览器。例如:豆瓣电影Top250、职友集。
-
字体反爬:将页面总重要信息使用符号进行隐藏。例如:猫眼电影、瓜子二手车、企查查、美团。
-
动态页面:使用selenium模块(自动化测试的模块),能够模拟人的行为,使用浏览器。
-
人机验证:九宫格选图片、选成语、选词语、图片+计算公式、字母数字验证码、滑块验证码、短信验证等。
(1)九宫格选图片:深度学习——https://cuiqingcai.com/36060.html
(2)选成语、选词语——超级鹰。
(3) 图片+计算公式、字母数字验证码:光学文字识别(OCR)——easyocr、百度飞桨、百度AI开发者平台等。
(4)滑块验证码:selenium、pyautogui——引入对应的物理原理。
(5)短信验证:等待、接码平台。 -
封IP——代理IP、极光代理IP、蘑菇代理、站芝麻代理等。
-
检测selenium的网站(滑块验证无法拖成功)——1.加入屏蔽selenium的代码。2.修改selenium驱动的底层代码。例如:淘宝
-
网页中的数据放到图片中:光学文字识别。
-
登录使用。例如:淘宝。
(1)可以在requests中传入对应的cookie信息。
(2)在selenium中传入cookie。
(3)使用selenium操作登录的输入框、按钮。 -
RPA——机器人流程自动化(影刀、八爪鱼、壁虎、Uiot等),从selenium进行的演变。