python爬虫学习过程

测试积点老人

1.掌握python的基本语法知识

2.学会如何抓取HTML页面:

        HTTP请求的处理:urlib、urlib2 及requests(reqests对urllib和urllib2进行了封装，功能相当于二者的和)

        处理后的请求可以模拟浏览器发送的请求，获取浏览器的响应

3.解析服务器响应的内容:

        re、xpath、BeautifulSoup4(bs4)、jsonpath、等

        给我们需要的数据定义一个匹配规则，符合这个规则的数据将会被匹配

4.如何采集动态HTML、验证码的处理:

• 通用的动态页面采集：Selenium + PhantomJS(模仿无界面浏览器，加载js等页面效果)
• 机器图像识别系统:Tesseract(谷歌维护的一个库)可以处理简单的验证码
• 专业的打码平台(后台有真人进行打码)可以处理复杂的验证码
  

5.Scrapy框架：（Scrapy,Pyspider):

        高定制性及高性能(异步网络框架 twisted),所以下载数据速度非常快，提供了数据存储、数据下载和提取规则等组件

6.分布式策略(功能强大,但是成本高)：

        scrapy-redis、以Redis数据库为核心的一套组件，让scrapy框架支持分布式的功能，主要在redis里做请求指纹去重、请求分配、数据临时存储

7.爬虫、反爬虫、反反爬虫 之间的斗争

        User-Agent、代理、验证码、动态数据加载、加密数据(加密方法最终隐藏在网站中的某个JS脚本中)

        关于爬虫和反爬虫之间的斗争，最终胜利的一定是我们的爬虫，因为用户可以看到的数据，最后都可以爬到