这两天找了个实习，名义是python工程师，其实就是写爬虫+整合到django。实习很奇葩，还有试用期的，现在试用期过了等后续安排，正好整理下这几天写爬虫的一些心得体会。

首先，感觉写爬虫真的是个经验活，一般的网站说白了就是不停往request里试参数。直接爬不行加headers=试试，看有提交的表单就加个data=试试。这里要区分下的是POST方法对应的是Form Data，可以通过request的data参数实现

request.post（data=data）

而GET方法对应的是Query String Parameters，一般采用拼接url的方法

base_url+urllib.urlencode(data)

至于提交表单的内容是什么，就要靠自己看html的标签或者js的函数得知，一般来说都能在html的源码里搜索到，可能是商品id，可能是页面相对路径的一部分，可能和时间相关，当然那些反爬网站提交的表单都是加密的，要想真正破解就要靠猜和试了。

然后对于一些需要模拟登录的网站，不需要验证码的话利用上面说的GET和POST表单应该就能解决，但有的网站还需要提供cookies，这时request就要包含cookies参数了。

requests.get(url, headers=header, cookies=cookie_dict)
而对于一些需要验证码登录的网站，也可以考虑先登录进去，然后复制下来登陆后的cookies，再利用其模仿登陆后的状态，但这招不一定总能成功。

说到这里突然想起之前爬学校能源网站查电费时，它一个非登录功能居然也要提供cookies才能成功响应，不知道是不是和框架有关，但总觉得好多此一举…

最后想说，之前碰到爬不动的网站，就想用phantomjs+selenium，因为感觉理论上没有这个方法爬不了的网站，但在实习时候就遇到了不行的情况，现在也没搞懂为什么。不过抛开个案不谈，phantomjs虽然好用，可现在越发觉得用它就和作弊一样，因为它就是个浏览器啊！个人用来爬少量数据还好，如果要爬商业用的大量数据request才是正道，毕竟用phantomjs比你直接用浏览器的效率都高不出哪里去。

总之无论是headers，data还是cookies，爬虫的精髓就是要尽可能的模仿真实浏览器的登录过程（知乎live 董伟明大大讲的），但抓到的包里有那么多参数，完全加进去不可能也没必要。至于具体使用哪些参数才能奏效，真的就要靠经验了。据说有那种层层迭代的反爬方法？上一个接受包含下一个请求的参数，但这种连环套路我还没有正是爬成功过，所以也不敢断言。

最后好想吐槽下这个实习，糟糕的老板（半懂不懂态度恶劣还固执僵硬），年幼的开发团队（真正在做事的就两个学生，一个异地的组长，一个半吊子的我…），混乱的代码管理（开发人员都是实习学生，更迭频繁，导致代码风格迥异，可读性健全性模块化都好差）。别说公司给不给留任，我自己都不想做了，但一想这是珍贵的第一份IT实习啊，就有不想放弃，哎呀，好烦。

说到这里突然想起之前爬学校能源网站查电费时，它一个非登录功能居然也要提供cookies才能成功响应，不知道是不是和框架有关，但总觉得好多此一举…