2020年2月18-2020年2月22日学习五天python爬虫,列出要点如下
1、爬取html文件的内容注意要把换行符去掉,因为正则表达式没有代表‘\n’的符号
html=re.findall(’\n’,’’,html)
2、如果html文件没有下载在本地,是不能直接使用open读取的
with open(‘http:\…’,‘r’,encoding=‘utf-8’) as f
这句是会报错的,并不会从网站下载一个链接
正确的用法是用使用requests库打开html
requests.get(url)
3、re库比lxml.etree写起来代码要多一些,但是re库对注释的内容也能够检索,而lxml.etree对注释的内容无法检索。对html文件内容进行注释也是一种反扒策略。
4、模拟登陆会使用cookie,模拟浏览器时会使用user-agent.
5、每次发送request不要使用相同的user-agent,否则会被视为爬虫并被封锁IP。
6、反爬90%会针对cookie入手,爬虫没有办法提供很多个实际用户,因此这一点比较难处理。解决方法是,使用chrome浏览器无痕模式时候提供的cookie。无痕模式时用户无需提供实际账号即可登录网站。
7、阿里反爬原理???爬虫装饰器???
python爬虫要点
最新推荐文章于 2023-01-03 22:20:41 发布