爬虫

Python 教学设计资料：从入门到实战的完整课程方案链接：https://pan.xunlei.com/s/VP1K52xAGt8JP3j9kYt8EarDA1 提取码：mw4p

深蓝电商API

用YOLO训练验证码目标检测模型的全流程在爬虫逆向、自动化测试等场景中，验证码识别是高频需求。传统 OCR 方案面对带干扰线、噪点、字符粘连、旋转变形的复杂验证码时，识别率往往大幅下降；而基于 YOLO 的目标检测方案，通过 “先定位单个字符、再分类识别” 的思路，能够精准分离粘连字符、抵抗背景干扰，在复杂验证码场景下具备更强的鲁棒性和可优化空间。

Python网络爬虫入门到实战第02章：HTTP/HTTPS协议超通俗精讲（GET/POST、请求头、响应码、爬虫核心基础)📌 专栏：Python网络爬虫入门到实战（零基础连载全套）🎯 本章定位：爬虫核心底层原理课。90%爬虫报错、反爬拦截、访问失败，根源都是不懂网络协议。本章零基础吃透HTTP/HTTPS核心规则，不讲废话、只学爬虫能用的知识点，为后续requests实战、反爬绕过、接口抓包筑牢基础。

网络爬虫与 CDP 实战（二）：浏览器能访问，Python 却被拒绝？拆开登录态与 CSRF配套实验网站：实验 05：Session 账户 · 实验 06：CSRF 购物车 · 实验 07：Token 账户

梅雅达编程笔记

04-Python CSV数据保存与翻页抓取前几篇我们学会了发请求、提取数据。但你发现没有——数据抓到了，可都在 Python 变量里。程序一结束，就什么都没了。

梅雅达编程笔记

03_网页表格数据抓取网页里的信息很多，但表格是最特殊的一种——它天生就是结构化数据，一行一行、一列一列排好了，抓下来直接就能用，存成 CSV 打开就是整齐的表格。

爬虫代理IP池从0到1：构建高可用代理池，彻底解决IP被封问题“代码写好了，请求发出去了，IP也被封了。”这是每一位爬虫开发者都经历过的痛。无论是电商价格监控、社交媒体数据采集，还是新闻舆情追踪，IP封禁始终是悬在头顶的达摩克利斯之剑。单个IP的请求频率一旦超过目标网站的阈值，轻则返回403，重则临时封禁数小时甚至永久拉黑。

网络爬虫与 CDP 实战（一）：网页数据到底在哪？从 HTTP 到分页采集配套实验网站：网页数据实验场。网站只提供实验页面，教程与分析均在本系列博文中。浏览器能看到商品，Python 为什么只拿到空壳？接口已经找对，为什么复制请求还是失败？价格一直变化，为什么 Network 里没有新的普通请求？

深蓝电商API

反检测浏览器（比特/AdsPower）原理剖析与自建替代方案在当前互联网风控体系日趋严密的背景下，浏览器指纹已成为继 IP、Cookie 之后第三大身份识别维度。电商平台、社交媒体、广告系统、反爬防护墙普遍通过采集浏览器的硬件特征、渲染特性、协议行为等多维信息生成设备指纹，以此识别多账号操作、批量爬虫和自动化行为。

深蓝电商API

Puppeteer vs Playwright：多维度压测后的选型建议Puppeteer 与 Playwright 是当前前端自动化领域最主流的两大工具，二者渊源颇深 ——Playwright 的核心开发团队正是 Puppeteer 的原班人马，2020 年从 Google 加入微软后推出了 Playwright，旨在从架构层面解决 Puppeteer 的固有局限。

BOSS直聘网页端研究【2026年9月】该文章古法创作，未使用ai，有耐心看完的请三连！本人从2022年开始因为一个私活开始研究boss直聘，一晃已经4年过去了，也经历boss网页端的几次升级(具体可以看我博客的其它几篇关于boss直聘的文章)，最早的前端代码可读性还是很强的，甚至于还有中文注释，随着前端框架的升级，现在的代码都是打包压缩后的chunk，甚至还用上wasm，现在又增加开发者工具检测，如果你用playwright之类的无头浏览器去访问，立刻就能被识别，一旦做登录操作，页面就会自动关闭。下面是我遇到一些问题和解决方案。

深蓝电商API

用 CDP 协议直连浏览器：绕过框架做更底层的控制在浏览器自动化领域，Selenium、Puppeteer、Playwright 等框架早已成为主流。它们封装了繁杂的底层细节，让开发者可以用几行代码完成页面操作、元素定位、数据抓取等工作。但当你需要极致性能、深度定制能力，或是要对抗越来越严格的反爬检测时，框架的 “黑盒封装” 反而会成为瓶颈。

深蓝电商API

从元素定位到等待策略：写出稳定不出错的自动化脚本在 UI 自动化测试、爬虫模拟交互、RPA 流程自动化等场景中，很多开发者都会遇到同一个共性难题：脚本在本地调试次次通过，一到正式环境 / 流水线就随机报错；上午跑还完全正常，下午页面改了个布局就全面崩溃。绝大多数自动化脚本的不稳定问题，根源都不在框架本身，而在于元素定位的脆弱性和等待策略的不合理性。

机器学习之Selenium（Machina Learning about Selenium）在之前的文章中我们能够深刻学习到使用 request 库进行网页爬取。requests 只能获取服务器返回的 HTML 源码，但是现在网页越来越复杂，很多东西都是通过 JavaScript 进行动态加载。

梅雅达编程笔记

02_BeautifulSoup网页数据提取上一篇我们用 requests 把网页源码"拿下来"了。但拿到手的是什么？一大坨 HTML 标签，尖括号套尖括号，密密麻麻的。你想要的标题、链接、价格、正文，全混在里面。总不能手动一条条复制粘贴吧？

零基础Python爬虫入门：从HTTP协议到 requests + BeautifulSoup 实战📌 适合人群：完全没有爬虫经验的初学者 🛠️ 涉及工具：Python 3、requests、BeautifulSoup4、浏览器开发者工具 🎯 学习目标：看懂网页本质 → 发送请求 → 解析数据 → 批量爬取

【测AI】第05篇：Python 爬虫进阶 —— 动态页面爬取与 Scrapy 框架上一篇我们完成了完整的岗位数据爬虫，但有一个前提假设：数据直接在 HTML 源码里。问题是，现实中很多网站根本不是这样的。你在浏览器里明明白白看到一堆职位数据，按 Ctrl+U 查看源码，里面却空空如也。你用 requests 去请求，拿回来的 HTML 里找不到任何有用的数据。这类页面叫动态页面，需要用完全不同的技术来处理。

针对cloudflare防护的爬虫策略——CDP使用requests爬虫时经常碰到cloudflare防护的网站，即使从浏览器中复制包含cookie在内的所有请求参数扔到requests的headers中，返回的仍然是"Just a moment..."对你发出无情的嘲讽，这是因为CF还要验证浏览器指纹，这不是简单地加个UA参数就能解决的。

机器学习之数据清洗（Machine Learning about Data Cleaning）爬虫获取的原始数据往往存在各种问题：这些问题如果不解决，将会影响后续的数据分析与挖掘工作。数据清洗是整个爬虫项目不可或缺的一环，其决定了最终数据的质量。

数据狐(Datafox)

淘宝商品详情API实战：多语言代购商城自动同步数据完整方案在多语言淘宝代购、跨境代发、反向海淘商城项目中，绝大多数开发者初期会采用网页爬虫采集淘宝商品数据。但爬虫存在频繁风控、IP封禁、页面DOM改版、图片防盗链、数据脏字段多、无法长期稳定运维等致命问题，尤其不适合跨境多语言站点的常态化自动铺货、价格库存同步业务。