爬蟲

定義

網絡爬蟲（又稱為網頁蜘蛛，網絡機器人，在FOAF社區中間，更經常的稱為網頁追逐者），是一種按照一定的規則，自動地抓取萬維網信息的程序或者腳本。另外一些不常使用的名字還有螞蟻、自動索引、模擬程序或者蠕蟲。

個人理解就是，從互聯網上獲取數據，進行自動化，規范化，也就是說，取代人去做繁重的數據采集。再者使用selenium等，可以模擬瀏覽器，寫交互性的自動化腳本，本質都是解放人力

本質

```文本 本質上，爬蟲就是獲取網頁，然后解析網頁，最后得到開發者想要的數據。 這么說是不夠正確的，或者說，只是爬蟲常用的一部分，是對爬蟲的一種淺顯的理解，實際上，我感覺爬蟲就像是模擬瀏覽器，但是卻通過個人的分析，選擇需要加載的去加載，獲取想要獲取的。

## 關鍵點 主要就是兩個部分，一個就是定位數據（定位節點），另外一個就是從節點獲取數據，或者模擬操作。關于對節點的定位，一種就是普通的通過特殊屬性值等來篩選，另外一種就是通過父子節點，兄弟等關系進行推到，因為前端設計的時侯一般是分為幾個部分去做的，而且渲染也是在特定的地方進行渲染，所以父子節點的關系，能夠良好的對列表進行分析。## 工具 我個人是常用**python**寫爬蟲的類型，因為它有很多強大的庫，而且性能也很不錯。例如使用requests庫，非常簡單，方便，且強大。然后想要批量，高效率的進行爬蟲，可以使用**Scrapy** 去進行項目式的開發，個人感覺是沒有明確的界限，當你需要什么就用什么，不要局限于框架。 其次，**java**上的開發就沒有那么方便，可能是因為我對java爬蟲知之甚少吧。（常用jousp以及正則去進行html解析）## 關于pythonn爬蟲 通過**requests**等庫去獲取網頁，然后解析網頁。 ```解析的常用方法通過兩類 1,是通過id，class，以及其他屬性去進行鎖定標簽。然后提取數據。 2,是通過正則表達式去進行字符串匹配 個人感覺第一種簡單，方便。但是第二種同樣不可獲缺，是必須要進行學習的東西，否則爬蟲在某些情況可能回降低寫程序的思路。

Scrapy爬蟲框架

這個框架的最大優勢就是非常的高效率，適用于對于一個網站的各個階級的頁面的爬蟲。這些頁面之間通常能夠形成鏈式的關系?；蛘咄瑢拥年P系 Scrapy多線程并發，效率極高。

關于反爬蟲

對于部分網站是可以直接解析進行爬蟲的，但是并不是全部，有些網站針對這種情況進行了防范 - 常見的防范辦法是判斷header請求頭,IP,以及一些根據反映速度等等鬼才點子進行反爬蟲。

所以要寫一個好爬蟲，就需要偽造，學會偽裝自己，寫好請求頭，IP，以及控制反應速度等等。具體代碼，可以自行百度

關于Selenium

這可以說是一個終極武器， 簡單的來說，就是真正的去打開一個模擬器，然后加載網頁，獲取網頁數據，

有好處也有壞處 好處是可以獲取到更加全面的資源，跳過繁重的api接口分析。直接獲取加載的數據。 壞處是不加以選擇的加載數據，效率極低。

綜上，雖然有缺點，但是還是挺有用的，至少能夠進行方便的瀏覽器點擊，輸入等模擬操作，在進行操作自動化的時侯用處很大。

實現方法是次要的，重要的是思維方式，上層決定下層的運作

Seleniumd 的使用技巧

這里強推chrome加上selenium，效率杠杠的

首先解釋一下，python是一門解釋性語言

解釋性語言定義：程序不需要編譯，在運行程序的時候才翻譯，每個語句都是執行的時候才翻譯。這樣解釋性語言每執行一次就需要逐行翻譯一次，效率比較低。現代解釋性語言通常把源程序編譯成中間代碼，然后用解釋器把中間代碼一條條翻譯成目標機器代碼，一條條執行。

因為selenium的創建時十分耗時的，所以這并不方便于我們開發調試，比如點擊某個按鍵等等。 綜上，我們使用console進行開發測試：

這樣，可以比如先定位到某個元素，然后邊解釋，邊執行，和juypter很像

同時，結合chrome去進行元素的定位 比如通過css_selector

content = browser.find_element_by_css_selector('#app > div > div.home-page.f-clear > div.home-container > div > div.center-panel > div.card-list > div.feed-card > div.content > div:nth-child(2) > div.main-content > div.card-content > div.post-content > div > div.text.p-rel.description > div')

或者xpath（也就是dom樹

browser.find_element_by_xpath()

爬蟲的工具使用，chrome

最好用的工具之一，就像開發前端一樣，可以通過這個查看獲取了哪些資源，明白頁面節點間的關系。狠方便。

使用搜索功能搜索數據 有寫網站的數據不是直接靜態的寫載html中的，現在很多都是動態的用ajax等技術從后端獲取，然后利用js渲染好節點數據。 所以怎樣知道自己想要的數據在哪個端口呢。

• 在html中查看數據節點的命名方式。（通常會保持一致）
• 利用搜索工具搜索出想要信息，排查。

關于數據定位

對于某些網站，他們的數據往往沒有那么直觀就能再html或者某個json接口中就直接找到，可能他們的數據格式不一樣。經過了一定處理，比如四舍五入，或者統計計算（比如我碰到的東方財富網站）。這時候我們就需要對網站進行分析了。要了解其內部js是如何運算數據的，以及最后得出結果。 這里講一個簡單的，對dom樹進行監控。這里檢測dom樹節點什么時候發生變化。

通過這樣再元素那對節點進行監控，當節點改變時，就會debug：暫停

這樣就定位到了js如何變化

還有直接對js進行斷點的，但是沒有這個好用。

分布式，多線程等技術

使用這些批量的爬蟲技術，主要是為了提高效率，因為時間很重要，要在規定時間內將數據又快又好的爬取出來。 - 我主要使用python里面的多線程，協程進行爬取，具體做法 協程博客 - 注意爬取的速度， 太快反而會導致錯誤 - 使用偽裝

常用框架：scrapy

反爬蟲

這也很重要，對于爬蟲是不可或缺的。

分級層爬取，

盡量將數據存儲到本地，哪怕其中部分不是我最終需要的數據，只要是中間過程的一步，在不影響整體速度的前提下，盡量將中間數據也存儲到本地。

本地數據的讀取速度是很快的，重要的是，減少目標服務器的壓力。

確保數據整體的正確性

很多時候，我們并不能一次性就把握住某個接口的全部特性，那么我們需要盡量的多做測試，在擁有足夠多的數據樣本的情況下，去進行判斷。

明白樣本和整體的意義。

總結

以上是生活随笔為你收集整理的爬虫 页面元素变化_爬虫 基本知识 萌新的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。