【 声明:版权所有,欢迎转载,请勿用于商业用途。 联系信箱:feixiaoxing @163.com】
之前因为个人的兴趣和工作的需要,编写过一些爬虫。但是这些爬虫都不是很好用。等到接触到scrapy框架的时候,才发现自己其实做了很多无用功。有数据表明,现在互联网上有很大一部分的访问来自于爬虫的访问,从这可以看出爬虫的猖獗。爬虫和反爬虫本身就是一对冤家,其中曲折只能自己体会。
1、agent伪装
一般爬虫都会把自己伪装成浏览器,这个时候就需要对agent进行合理设置。
2、处理cookie
部分网站会让会员登陆后才能继续访问,这个时候就需要进行cookie处理。
3、ip proxy
如果单个用户长时间访问,那么就需要准备ip代理池,轮询访问。
4、sleep一会儿
如果用户需要长期访问和更新某个网站,建议运行一段实践休息一会,不要影响网站运行。
5、多个账户登陆
如果获取数据较多,可以选择同时使用多个账户登陆的方法,这样可以提高爬虫效率。
6、selenium使用
部分网站将重要资料用js的方法获取,这个时候就要用selenium进行处理。
7、opencv & sklearn
有些网站需要我们输入验证码,这个时候不光要selenium,opencv也要用上,甚至于要学一点机器学习的知识。
爬虫无所谓对错,但是爬虫千万不能影响网站的运行。如果爬虫本身无节制地搜索,逼着反爬虫的同学和你对着干,那么对谁都是不好的。这一点希望大家牢记。爬虫最重要的地方不是说检索数据、构建正则表达式这些,而是如何学着和web开发的同学和平相处,获取到自己需要的资料而不影响网站的运行。除此之外,如何获得app的api数据,本身也是很有趣的一门学问。有兴趣的同学可以试试。
以上就是本文的全部内容,希望对大家的学习有所帮助,也希望大家多多支持 码农网
猜你喜欢:本站部分资源来源于网络,本站转载出于传递更多信息之目的,版权归原作者或者来源机构所有,如转载稿涉及版权问题,请联系我们。
Sprint
Jake Knapp、John Zeratsky、Braden Kowitz / Simon & Schuster / 2016-3-8 / GBP 14.60
媒体推荐 “Every business leader I know worries about the same thing: Are we moving fast enough? The genius of Jake Knapp’s Sprint is its step-by-step breakdown of what it takes to solve big problems an......一起来看看 《Sprint》 这本书的介绍吧!