Python爬虫基础知识

(未完成)

爬虫概念

爬虫用于爬取数据,又称之为数据采集程序

爬取数据来源于网络,网络中数据可以是有web服务器、数据库服务器、索引库、大数据等等提供

爬取数据是公开的、非盈利。

python爬虫

使用python编写的爬虫脚本可以完成定时、定量、指定目标的数据爬取。主要使用多(单)线程/进程、网络请求库、数据解析、数据储存、任务调度等相关技术。

爬虫和web后端服务关系

爬虫使用网络请求库,相当于客户端请求,web后端服务根据请求响应数据。即想web服务器发起http请i去,正确地接收响应数据,然后根据数据地类型进行数据地解析及存储。

爬虫程序再发起请求前,需要伪造浏览器(User-Agent指定请求头),然后再发起请求,这样响应地成功率比较高。

Python爬虫技术相关库

网络请求

urllib

requests

selenium(UI自动测试,动态js渲染)

appnium用于手机app爬虫或UI测试

数据处理/解析

re正则

xpath

bs4

json

数据存储

pymysql

mongodb

elasticsearch

多任务库

多线程(threading)

线程队列(queue)

协程(asynio、gevent/eventlet)

爬虫框架

scrapy

scrapy-redis分布式(多机爬虫)

常见反爬虫地策略

UA(User-Agent)策略

登陆限制(Cookie)策略

请求频次(IP代理)策略

验证码(图片-云打码,图片验证,滑块验证)

动态js(Selenium/Splash/api接口)策略


不嫌弃的点点关注,点点赞 ଘ(੭ˊᵕˋ)੭* ੈ✩‧₊˚

相关推荐
TomEval3 小时前
【测AI】第26篇:线上模型监控与告警体系 — 测试不是终点
人工智能·python·功能测试·ai
prince_zxill3 小时前
PEP 751 pylock.toml 实测:pip 26.3 装 6 个包版本全钉死,但 [web] 选不中任何东西
python·pip·依赖管理·pep 751
ShineWinsu5 小时前
对于Qt:QFormLayout常见属性以及方法的解析
开发语言·c++·qt·面试·客户端·表单·qformlayout
Thanks_ks5 小时前
Python 的垃圾回收——引用计数撑起日常,分代回收收拾残局
python·内存管理·垃圾回收·循环引用·引用计数·gc 模块·weakref
CyrusYiVPP5 小时前
实测 uv 0.13.7:同一套包,pip 装 94 秒,它只用 19 秒
人工智能·python
yiangL_6 小时前
Python 学习笔记:递归、turtle绘图、字符串与函数
笔记·python·学习
lula8887 小时前
PVC-U、PVC-C、PVC-O 差一个字母,差的是三种增强路线
python
数字工作台8 小时前
给 LangGraph 加一道可审计记忆:替换默认 Checkpointer,实现防篡改 + 崩溃不丢数据
python·agent
DKPT8 小时前
Python 的 Web 框架:选型选错的人,都踩了同一个坑
python
2401_868534789 小时前
逻辑网络设计
网络·python