爬虫问题检查点

问题检查表

1. 首先，如果你从网络服务器收到的页面是空白的，缺少信息，或其遇到他不符合你预期的情况（或者不是你在浏览器上看到的内容），有可能是因为网站创建页面的JavaScript执行有问题。

2. 如果你准备向网站提交表单或发出POST 请求，记得检查一下页面的内容，看看你想提交的每个字段是不是都已经填好，而且格式也正确。用Chrome 浏览器的网络面板（快捷键F12 打开开发者控制台，然后点击“Network”即可看到）查看发送到网站的POST命令，确认你的每个参数都是正确的。

3. 如果你已经登录网站却不能保持登录状态，或者网站上出现了其他的“登录状态”异常，请检查你的cookie。确认在加载每个页面时cookie 都被正确调用，而且你的cookie 在每次发起请求时都发送到了网站上。

4. 如果你在客户端遇到了HTTP 错误，尤其是403 禁止访问错误，这可能说明网站已经把你的IP 当作机器人了，不再接受你的任何请求。你要么等待你的IP 地址从网站黑名单里移除，要么就换个IP 地址（可以去咖啡厅上网，或者看看第14 章的内容）。如果你确定自己并没有被封杀，那么再检查下面的内容。

5. 确认你的爬虫在网站上的速度不是特别快。快速采集是一种恶习，会对网管的服务器造成沉重的负担，还会让你陷入违法境地，也是IP 被网站列入黑名单的首要原因。给你的爬虫增加延迟，让它们在夜深人静的时候运行。切记：匆匆忙忙写程序或收集数据都是拙劣项目管理的表现；应该提前做好计划，避免临阵慌乱。

6. 还有一件必须做的事情：修改你的请求头！有些网站会封杀任何声称自己是爬虫的访问者。如果你不确定请求头的值怎样才算合适，就用你自己浏览器的请求头吧。

7. 确认你没有点击或访问任何人类用户通常不能点击或接入的信息。

8. 如果你用了一大堆复杂的手段才接入网站，考虑联系一下网管吧，告诉他们你的目的。试试发邮件到webmaster@< 域名> 或admin@< 域名>，请求网管允许你使用爬虫采集数据。