python爬虫的实战思路

3.1Requests+正则表达式爬取猫眼电影TOP100

• 抓取单⻚内容
  利⽤requests请求⽬标站点，得到单个⽹⻚HTML代码，返回结果。
• 正则表达式分析
  根据HTML代码分析得到电影的名称、主演、上映时间、评分、图⽚链接等信息。
• 开启循环及多线程
  对多⻚内容遍历，开启多线程提⾼抓取速度。
• 保存⾄⽂件
  通过⽂件的形式将结果保存，每⼀部电影⼀个结果⼀⾏Json字符串。

3.2分析Ajax请求并抓取今日头条街拍图片

• 抓取索引⻚内容
  利⽤requests请求⽬标站点，得到索引⽹⻚HTML代码，返回结果。

• 抓取详情⻚内容
  解析返回结果，得到详情⻚的链接，并进⼀步抓取详情⻚的信息。

• 下载图⽚与保存数据库
  将图⽚下载到本地，并把⻚⾯信息及图⽚URL保存⾄MongoDB。

• 开启循环及多线程
  对多⻚内容遍历，开启多线程提⾼抓取速度。

3.3Selenium+Chrome/PhantomJS爬取淘宝美食

• 搜索关键字
  利⽤Selenium驱动浏览器搜索关键字，得到查询后的商品列表。
• 分析⻚码并翻⻚
  得到商品⻚码数，模拟翻⻚，得到后续⻚⾯的商品列表。
• 分析提取商品内容
  利⽤PyQuery分析源码，解析得到商品列表。
• 存储⾄MongoDB
  将商品列表信息存储到数据库MongoDB。

3.4 用Flask+Redis维护代理池

3.4.1 为什么要用代理池

许多⽹站有专⻔的反爬⾍措施，可能遇到封IP等问题。
互联⽹上公开了⼤量免费代理，利⽤好资源。
通过定时的检测维护同样可以得到多个可⽤代理

3.4.2 代理池的要求

多站抓取，异步检测
定时筛选，持续更新
提供接⼝，易于提取

3.4.3 代理池的架构

3.4.4 使用

得到新的IP
localhost:5000/get
查看代理池数量
localhost:5000/count

3.5 用代理抓取微信文章

3.5.1 目标站点分析

• 抓取索引⻚内容
  利⽤requests请求⽬标站点，得到索引⽹⻚HTML代码，返回结果。
• 代理设置
  如果遇到302状态码，则证明IP被封，切换代理重试。
• 分析详情⻚内容
  请求详情⻚，分析得到标题，正⽂等内容
• 将数据保存到数据库
  将结构化数据保存⾄MongoDB

3.5 使用Redis+Flask维护动态cookies池

3.5.1为什么要⽤Cookies池

⽹站需要登录才可爬取，例如新浪微博
爬取过程中如果频率过⾼会导致封号
需要维护多个账号的Cookies池实现⼤规模爬取

3.5.2Cookies池的要求

自动登录更新
定时验证筛选
提供外部接口

3.5.3 Cookies池架构

3.5.4 Cookies池实现