爬虫(四)套路总结
一.准备url
- 准备start_url
- url 地址规律不明显,总数不确定
- 通过代码提取下一页的url
- xpath
- 寻找url地址,部分参数在当前的响应中(比如,当前页码数和总的页码数在当前的响应中)
- 准备url_list
- 页码总数明显
- url地址规律明显
二.发送请求,获取响应
- 添加随机的User-Agent,反反爬虫
- 添加随机的代理IP
- 在对方判断出我们是爬虫之后,应该添加更多的headers字段,包括cookie
- cooki的处理可以使用session 来jiejue
- 准备一堆能用的cookie,把cookie组成cookie池
- 如果不登录
- 准备刚开始能够成功请求对方网站的cookie,即接受对方网站设置在response 的cookie
- 下次请求的时候,使用之前的列表中的cookie来请求
-如果登录 - 准备多个账号
- 使用程序获取每个账号的cookie
- 之后请求登录之后的才能访问的网站随机的选择cooki
- 如果不登录
三.提取数据
- 确定数据的位置
- 如果数据在当前的url地址中
- 提取的是列表页的数据、
- 直接请求列表页的url地址,不用进入详情页
- 提取的是详情页的数据
-
- 确定url
-
- 发送请求
-
- 提取数据
-
- 保存
-
- 提取的是列表页的数据、
- 如果数据 不在当前的url 地址中
-
在其他的响应中,寻找数据的位置
- 1.从network中从上往下找
- 2.使用chrome中的过滤条件,选出除了js,css,img之外的按钮
- 3.使用search all file 搜索
-
- 如果数据在当前的url地址中
- 数据的提取
- xpath,从html中提取整块的数据,先分组,之后每一组再提取
- Json
- re
四.保存
- 保存在本地,text,json ,csv
- 保存在数据库