注册
登录
提问时间:2018/9/28 16:43:07    楼主:未知网友   阅读量:268

我们知道,网络爬虫是一种按照一定的规则,自动地抓取网站信息的程序或者脚本。那么,我们怎么通过网络爬虫获取所需要的网站信息呢?

不同的网站有不同的规则,爬虫工程师根据这些规则设计不同的网络爬虫,以此来顺利获取所需要的信息。

一、开放API的网站

一个网如果开放了API,那么就可以直接GET到它的json数据。有三种方法可以判断一个网站是否开放了API。

1、在站内寻找API入口;

2、用搜索引擎搜索“某网站API”;

3、抓包,有的网站虽然用到了ajax,但是通过抓包还是能够获取XHR里的json数据的(可用抓包工具抓包,也可以通过浏览器按F12抓包:F12-Network-F5刷新)。

二、不开放API的网站

1、如果网站是静态页面,那么可以用requests库发送请求,再通过HTML解析库(lxml、parsel等)来解析响应的text;解析库强烈推荐parsel,不仅语法和css选择器类似,而且速度也挺快,Scrapy用的就是它。

2、如果网站是动态页面,可以先用selenium来渲染JS,再用HTML解析库来解析driver的page_source。

三、反爬虫网站

很多网站都具有反爬虫策略,常见的有:验证码、登陆、限制IP等。

1、验证码。可以利用打码平台破解(如果硬上的话用opencv或keras训练图);

2、登陆。利用requests的post或者selenium模拟用户进行模拟登陆;

3、限制IP。购买代理IP(免费IP效果非常差,不建议使用)。