写爬虫真不是件简单的事

　　学习了大概两个月的爬虫，渐渐感觉到写爬虫并不是件简单的事，有诸多的考虑，先简单的记录一下，有时间分部分做示例

一、学习爬虫知识

　　我是从python3开始做爬虫的，首先，python3的语法必须知道，不过python3并不难，语法也非常简洁。但是，写着发现有个毛病，就是比如一个形参，由于不确定类型，.无法像java那样补全，导致你如果忘了一个函数，必须查看代码或手册。。。不过这也是动态语言都有的问题，但好的IDE会帮你记录，所以使用好的编译器很有必要。。哈哈。

　　然后是学习python的各种库，为了打好基础，从基础的库开始学习会比较好，比如urlib，然后学习requests，这种是用来发请求的。返回的数据又是各种各样的类型，有html，js，json，字符串等，针对每种格式，当然都需要合适的解析器，当然，正则都能做。。。这里，解析html用到xpath，beautifulsoup，pyquery等库，js代码需要js引擎来运行和分析，例如nodejs，v8，json的解析要用到json库，字符串就看具体情况了。

    做完这些，基本上可以开始爬取一些数据了。。。但是，如果爬虫真的就这么简单的话，，那就好了哈

　　然后你会想提高爬取的速度，你了解到requests库是同步请求，也就是从发出请求到收到响应，线程一直在等，你当然啊会想到多线程，但python单进程只能跑满一个核。。。并且多线程也没那么好写吧，同步控制，分配任务也需要挺多事的。所以，从python3.5开始，新增了一个aiohttp–异步请求库，它可以发送一批请求，以事件驱动，根据回调函数来实现单线程异步。或许你会觉得这还是不够方便，开始使用爬虫框架，例如scrapy，这下速度突飞猛进，瓶颈在带宽或io上了！

二、分析网站

　　好了，这下普通的网站能随心所欲的爬了，直到这天，你打开了某做了反爬的网站。。。

    为啥爬了一下就不能爬了？为啥返回结果和浏览器打开的不一样啊？怎么这个要验证码啊？怎么这个要登录？于是开始了解到需要使用代理防止封ip，需要伪造头部装得够像浏览器。需要分析请求，分析各种参数代表什么意思，如何伪造，开始学习js和分析js的加密代码—这个是真的恶心，使用postman发请求和vscode编码和nodejs运行进行调试，或者可以用selenium+chrome这种大杀器直接莽过去，可是速度可比直接请求api慢多了。碰到需要登录才能获取cookies才能爬的网站，开始做注册机(但是现在一般要手机号，成本高)，或者买账号，用来做cookie池。登录需要识别验证码？验证码可就千奇百怪了，人工打码or打码平台or机器学习？终于，在掌握这么多分析技能之后，感觉到爬取一个网站多么麻烦，需要很高成本。。。

栗子：破解某网站js加密过程

三、部署项目

　　前面终于写好了爬取复杂网站的分析和技巧，现在需要部署项目，服务器就需要不少，数据库需要准备吧，需要做分布式吧，docker，hadoop了解一下?还要维护稳定，处理各种异常，总不能跑一下就挂了吧。还有，网站突然改动一下加密，，得跟着改啊。

转载于:https://www.cnblogs.com/haoabcd2010/p/10219310.html