初级爬虫使用指北(3)--一个简单的爬虫

目录

  1. 目的
  2. 伪装自己
  3. 模仿“浏览网页”
  4. 收集数据
  5. 完整示例
  6. 附加题

0. 目的

通过一个示例了解所谓“爬虫程序浏览网页”的真实情况和流程,所有的Web数据收集爬虫都于这个流程相关。

1. 伪装自己:爬虫不是爬虫,是chrome浏览器

headers = {    
'User-Agent': 'Chrome/53.0.2785.143', # 模仿chrome 浏览器 
'Connection': 'keep-alive',
'accept': 'text/html,application/xhtml+xml,application/xml;q=0.9,image/webp,*/*;q=0.8',
}

为什么要伪装自己
一般而言,多数网站都配置了反爬虫策略,目的是防止恶意爬虫的行为增加网站服务器的压力等行为,所以数据收集爬虫一般而言都会“自称自己不是爬虫,而是一个正常的浏览器”。


2. 模仿“人类浏览网页”:完成一个网页访问动作

data = requests.get("www.baidu.com", headers=headers)

这是什么意思
用户访问一个网页,就是一个“指定网址->服务器返回对应网页数据->获取网页数据,由浏览器来显示用户可读的界面->用户看到网页界面”的过程,这里反映的即是“指定访问www.baidu.com网页->返回网页数据”这个阶段。


3. 收集数据:获取网页的真实面目

这里选择将网页数据打印出来

print(data.text)

呈现出来的是“杂乱”的文本?!:
这就是网页的真实样子,后续的时候爬虫将会比较“优雅”的解析这些数据并提取用户想要的数据。


4. 完整示例

访问Baidu.com

5. 附加题

上文所示的伪装策略只是最基础的策略(改变身份和访问来源),更多策略包括:

  • 停等策略
  • 代理IP
  • 产生“点击”行为
  • 更改cookie
  • 更改跳转地址
  • ...

更多内容请继续百度一下,

最后编辑于
©著作权归作者所有,转载或内容合作请联系作者
  • 序言:七十年代末,一起剥皮案震惊了整个滨河市,随后出现的几起案子,更是在滨河造成了极大的恐慌,老刑警刘岩,带你破解...
    沈念sama阅读 204,684评论 6 478
  • 序言:滨河连续发生了三起死亡事件,死亡现场离奇诡异,居然都是意外死亡,警方通过查阅死者的电脑和手机,发现死者居然都...
    沈念sama阅读 87,143评论 2 381
  • 文/潘晓璐 我一进店门,熙熙楼的掌柜王于贵愁眉苦脸地迎上来,“玉大人,你说我怎么就摊上这事。” “怎么了?”我有些...
    开封第一讲书人阅读 151,214评论 0 337
  • 文/不坏的土叔 我叫张陵,是天一观的道长。 经常有香客问我,道长,这世上最难降的妖魔是什么? 我笑而不...
    开封第一讲书人阅读 54,788评论 1 277
  • 正文 为了忘掉前任,我火速办了婚礼,结果婚礼上,老公的妹妹穿的比我还像新娘。我一直安慰自己,他们只是感情好,可当我...
    茶点故事阅读 63,796评论 5 368
  • 文/花漫 我一把揭开白布。 她就那样静静地躺着,像睡着了一般。 火红的嫁衣衬着肌肤如雪。 梳的纹丝不乱的头发上,一...
    开封第一讲书人阅读 48,665评论 1 281
  • 那天,我揣着相机与录音,去河边找鬼。 笑死,一个胖子当着我的面吹牛,可吹牛的内容都是我干的。 我是一名探鬼主播,决...
    沈念sama阅读 38,027评论 3 399
  • 文/苍兰香墨 我猛地睁开眼,长吁一口气:“原来是场噩梦啊……” “哼!你这毒妇竟也来了?” 一声冷哼从身侧响起,我...
    开封第一讲书人阅读 36,679评论 0 258
  • 序言:老挝万荣一对情侣失踪,失踪者是张志新(化名)和其女友刘颖,没想到半个月后,有当地人在树林里发现了一具尸体,经...
    沈念sama阅读 41,346评论 1 299
  • 正文 独居荒郊野岭守林人离奇死亡,尸身上长有42处带血的脓包…… 初始之章·张勋 以下内容为张勋视角 年9月15日...
    茶点故事阅读 35,664评论 2 321
  • 正文 我和宋清朗相恋三年,在试婚纱的时候发现自己被绿了。 大学时的朋友给我发了我未婚夫和他白月光在一起吃饭的照片。...
    茶点故事阅读 37,766评论 1 331
  • 序言:一个原本活蹦乱跳的男人离奇死亡,死状恐怖,灵堂内的尸体忽然破棺而出,到底是诈尸还是另有隐情,我是刑警宁泽,带...
    沈念sama阅读 33,412评论 4 321
  • 正文 年R本政府宣布,位于F岛的核电站,受9级特大地震影响,放射性物质发生泄漏。R本人自食恶果不足惜,却给世界环境...
    茶点故事阅读 39,015评论 3 307
  • 文/蒙蒙 一、第九天 我趴在偏房一处隐蔽的房顶上张望。 院中可真热闹,春花似锦、人声如沸。这庄子的主人今日做“春日...
    开封第一讲书人阅读 29,974评论 0 19
  • 文/苍兰香墨 我抬头看了看天上的太阳。三九已至,却和暖如春,着一层夹袄步出监牢的瞬间,已是汗流浃背。 一阵脚步声响...
    开封第一讲书人阅读 31,203评论 1 260
  • 我被黑心中介骗来泰国打工, 没想到刚下飞机就差点儿被人妖公主榨干…… 1. 我叫王不留,地道东北人。 一个月前我还...
    沈念sama阅读 45,073评论 2 350
  • 正文 我出身青楼,却偏偏与公主长得像,于是被迫代替她去往敌国和亲。 传闻我的和亲对象是个残疾皇子,可洞房花烛夜当晚...
    茶点故事阅读 42,501评论 2 343

推荐阅读更多精彩内容

  • Spring Cloud为开发人员提供了快速构建分布式系统中一些常见模式的工具(例如配置管理,服务发现,断路器,智...
    卡卡罗2017阅读 134,596评论 18 139
  • 关于Mongodb的全面总结 MongoDB的内部构造《MongoDB The Definitive Guide》...
    中v中阅读 31,894评论 2 89
  • 最强大的文案策略,内部资料,严禁外传! 你的广告是在为读者们创造机会,使他们得以从平时枯燥的生活中抽离出一会儿,可...
    码农不器阅读 7,601评论 1 34
  • 第一部分 HTML&CSS整理答案 1. 什么是HTML5? 答:HTML5是最新的HTML标准。 注意:讲述HT...
    kismetajun阅读 27,421评论 1 45
  • 2018年2月17日 星期六 阴 【亲子日记392天】 昨天从老家回来,一直到现在, 昏昏沉沉的在...
    窝窝家阅读 401评论 0 1