爬虫
爬虫的步骤:
1.请求网页,获取响应结果。
2.解析网页,提取数据
3.数据持久化
爬虫—>反爬虫—>反反爬虫
1.User-Agent:将爬虫伪装成浏览器。例如:豆瓣电影Top250、职友集。
2.字体反爬:将页面中重要信息使用符号进行隐藏。例如:猫眼电影、瓜子二手车、大众点评、企查查、美团等。
3.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。
4.人机验证:九宫格选图片、选成语(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(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:selenium、pyautogui --> 引用对应的物理原理。
5)短信验证:等待、接码平台。
5.封IP:代理IP:极光代理IP、蘑菇代理、站大爷、芝麻代理等。
6.检测selenium: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。
7.网页中的数据放到图片中:光学文字识别。
8.登录使用:例如:淘宝。可以在requests中传入对应的cookie信息,或者在selenium中传入cookie或者使用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、Uiot、壁虎等) --> 从selenium进行的演变。