详解Python爬虫的基本写法(python爬虫介绍)

推荐整理分享详解Python爬虫的基本写法(python爬虫介绍)，希望有所帮助，仅作参考，欢迎阅读内容。

文章相关热门搜索词:python爬虫介绍,python 爬虫技术,python爬虫基本原理,python 爬虫技术,python爬虫基本原理,python爬虫介绍,python爬虫的原理以及步骤,python爬虫的原理以及步骤,内容如对您有帮助，希望把文章链接给更多的朋友！

什么是爬虫

爬虫，即网络爬虫，大家可以理解为在网络上爬行的一直蜘蛛，互联网就比作一张大网，而爬虫便是在这张网上爬来爬去的蜘蛛咯，如果它遇到资源，那么它就会抓取下来。想抓取什么？这个由你来控制它咯。

比如它在抓取一个网页，在这个网中他发现了一条道路，其实就是指向网页的超链接，那么它就可以爬到另一张网上来获取数据。这样，整个连在一起的大网对这之蜘蛛来说触手可及，分分钟爬下来不是事儿。

1.最基本的抓站

2.使用代理服务器

这在某些情况下比较有用，比如IP被封了，或者比如IP访问的次数受到限制等等。

3.需要登录的情况

登录的情况比较麻烦我把问题拆分一下：

3.1.cookie的处理

是的没错，如果想同时用代理和cookie，那就加入proxy_support然后operner改为

3.2 表单的处理

登录必要填表，表单怎么填？首先利用工具截取所要填表的内容比如我一般用firefox+httpfox插件来看看自己到底发送了些什么包这个我就举个例子好了，以verycd为例，先找到自己发的POST请求，以及POST表单项：

可以看到verycd的话需要填username,password,continueURI,fk,login_submit这几项，其中fk是随机生成的（其实不太随机，看上去像是把epoch时间经过简单的编码生成的），需要从网页获取，也就是说得先访问一次网页，用正则表达式等工具截取返回数据中的fk项。continueURI顾名思义可以随便写，login_submit是固定的，这从源码可以看出。还有username，password那就很显然了。

好的，有了要填写的数据，我们就要生成postdata

然后生成http请求，再发送请求：

3.3 伪装成浏览器访问

某些网站反感爬虫的到访，于是对爬虫一律拒绝请求

这时候我们需要伪装成浏览器，这可以通过修改http包中的header来实现

3.4 反”反盗链”

某些站点有所谓的反盗链设置，其实说穿了很简单，就是检查你发送请求的header里面，referer站点是不是他自己，所以我们只需要像3.3一样，把headers的referer改成该网站即可，以黑幕著称地cnbeta为例：

headers是一个dict数据结构，你可以放入任何想要的header，来做一些伪装。例如，有些自作聪明的网站总喜欢窥人隐私，别人通过代理访问，他偏偏要读取header中的X-Forwarded-For来看看人家的真实IP，没话说，那就直接把X-Forwarde-For改了吧，可以改成随便什么好玩的东东来欺负欺负他，呵呵。

3.5 终极绝招

有时候即使做了3.1-3.4，访问还是会被据，那么没办法，老老实实把httpfox中看到的headers全都写上，那一般也就行了。再不行，那就只能用终极绝招了，selenium直接控制浏览器来进行访问，只要浏览器可以做到的，那么它也可以做到。类似的还有pamie，watir，等等等等。

4.多线程并发抓取

关于Python爬虫的基本写法小编就给大家介绍到这里，后续还会持续更细，敬请关注，谢谢！

Python argv用法详解 想用python处理一下文件，发现有argv这个用法，搜来学习一下。如果想对python脚步传参数，那么就需要命令行参数的支持了，这样可以省的每次去改脚步

如何处理Python3.4 使用pymssql 乱码问题 在项目中发现这样一个问题：sqlserver数据库编码为gbk，使用python3.4+pymssql查询，中文乱码，经过一番思考问题解决，下面把解决办法分享给大家：conn=pyms

python轻松查到删除自己的微信好友 前言相信各位一定有收到过这样的群发短信，据说还被归类为玩转微信的五大技巧之一?(???)?但，其实，只要跑一下脚本，就轻松找出删除自己的好友（