前言
我们看了一些，爬虫示例，对爬虫应该有比较深的理解了，
还是爬取评论，这次选择B站
点开B站，打开F12，点击评论，看ajax，观察规律，找到url
image.png
找到url，很容易
image.png
多抓取几次，相互比较，得出规律，然后对url缩减
https://api.bilibili.com/x/v2/reply?jsonp=jsonp&pn=2&type=1&oid=12009509&sort=0
然后测试返回的类型，是src，我们转为dict，根据key=value获得我们需要的数据
代码
import requests
#获取评论
for page in range(10):#评论的页数
url = 'https://api.bilibili.com/x/v2/reply?jsonp=jsonp&pn={page}&type=1&oid=12009509&sort=0'.format(page=page)
resp = requests.get(url)
data = resp.json()
comment_list = data['data']['replies']
for com in comment_list:
comment = com['content']['message']
print(comment)
大概思路就是这样的，具体细节，自己完善。
爬虫之魂
我们都知道，用机器去爬取信息和人为的浏览信息是有很大的不同的。所以，网站也会经常封锁我们的爬虫，对此，我们常用的策略是伪装成浏览器，降低访问频率，让爬虫的行为更像人为的浏览。当然如果只是伪装成浏览器，降低了你的访问速度，网站仍然会封锁你的爬虫。让你访问受限，比如，访问十次该网址，就封锁，导致出错，但是，过一段时间，我们重新运行程序又可以爬取数据了。所以，为了减少麻烦，我们可以设置策略：
当我们知道自己的爬虫被封锁了以后，降低访问频率，但是还是要一直发送请求，锲而不舍，直到又可以爬取为止。坚持就是胜利。
伪装成浏览器
import requests
def scraper(url):
headers = {'User-Agent':'Mozilla/5.0 (Macintosh; Intel Mac OS X 10_12_5) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/61.0.3163.100 Safari/537.36'}
cookies = {'Cookie':'你的cookies'}
resp = requests.get(url,headers,cookies)
"""省略。。。解析网页"""
"""省略。。。保存数据"""
#待爬urls
urls = [...]
for url in urls:
scraper(url)
降低访问频率
import requests
import time
def scraper(url):
headers = {'User-Agent':'Mozilla/5.0 (Macintosh; Intel Mac OS X 10_12_5) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/61.0.3163.100 Safari/537.36'}
cookies = {'Cookie':'你的cookies'}
resp = requests.get(url,headers,cookies)
"""省略。。。解析网页"""
"""省略。。。保存数据"""
#待爬urls
urls = [...]
for url in urls:
scraper(url)
time.sleep(1)
锲而不舍
import requests
import time
def scraper(url):
headers = {'User-Agent':'Mozilla/5.0 (Macintosh; Intel Mac OS X 10_12_5) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/61.0.3163.100 Safari/537.36'}
cookies = {'Cookie':'你的cookies'}
resp = requests.get(url,headers,cookies)
"""省略。。。解析网页"""
"""省略。。。保存数据"""
#拥有锲而不舍精神的爬虫（slow but steady）
def scraper_with_perseverance(url):
Flag = True
while Flag:
try:
#正常爬取，爬取成功后退出循环
scraper(url)
Flag = False
except:
#被网站封锁后，降低访问频率，但仍坚持重复访问，
#直到爬取到该url的数据，退出本url的爬虫
Flag = True
time.sleep(5)
#待爬urls
urls = [...]
for url in urls:
scraper_with_perseverance(url)
time.sleep(1)
tips
如果爬的还是太多，建议使用代理IP
推荐
fake-useragent库，可以伪装生成headers请求头中的User Agent值
安装pip install fake-useragent
使用功能random方法
image.png
爬虫中使用
from fake_useragent import UserAgent
import requests
ua = UserAgent()
headers = {'User-Agent': ua.random}
url = '待爬取的url'
resp = requests.get(url,headers=headers)
