位置: 编程技术 - 正文
详解Python爬虫的基本写法(python爬虫介绍)
编辑：rootadmin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（
标签: python爬虫介绍
本文链接地址:https://www.jiuchutong.com/biancheng/379988.html 转载请保留说明！上一篇：黑科技 Python脚本帮你找出微信上删除你好友的人(pythoni脚本)
下一篇：Python argv用法详解(python的argparse用法)
还是来看看这个【执行过程表格】吧。我来挑几个重要的说一下。【Rows】：表示在一个执行步骤中，所产生的记录条数。（真实数据，非预期）【Executes】：表示某个执行步骤被执行的次数。（真实数据，非预期）【Stmt Text】：表示要执行的步骤的描述。【EstimateRows】：表示要预期返回多少行数据。
在这个【执行过程表格】中，对于优化查询来说，我认为前三列是比较重要的。对于前二列，我上面也解释了，意思也很清楚。 前二列的数字也大致反映了那些步骤所花的成本，对于比较慢的查询中，应该留意它们。 【Stmt Text】会告诉你每个步骤做了什么事情。对于这种表格，它所要表达的其实是一种树型信息（一行就表示在图形方式下的一个节点）， 所以，我建议从最内层开始去读它们。做为示例，我来解释一下这张表格它所表达的执行过程。
第5行：【Clustered Index Seek(OBJECT:([MyNorthwind].[dbo].[Customers].[PK_Customers]), SEEK:([MyNorthwind].[dbo].[Customers].[CustomerID]=[MyNorthwind].[dbo].[Orders].[CustomerID]) ORDERED FORWARD)】， 意思是说，SQL Server在对表Customers做Seek操作，而且是按照【Clustered Index Seek】的方式，对应的索引是【PK_Customers】，seek的值来源于[Orders].[CustomerID]
第4行：【Clustered Index Scan(OBJECT:([MyNorthwind].[dbo].[Orders].[PK_Orders]), WHERE:([MyNorthwind].[dbo].[Orders].[OrderDate]>='-- ::." class="img-responsive" alt="深入分析SqlServer查询计划(深入分析的成语)">
