爬虫开发必学的8个技巧

2019-09-09

极光小编

现在,有越来越多所谓的“教程”来帮助我们提高爬虫的易用性。本人收集了一些在爬虫开发中容易出错和被难住的小问题,提供了参考的意见和想法,以便于帮助爬虫开发者。


1、爬虫乱码(网址乱码、返回页面乱码、提交数据乱码)


关于爬虫乱码有很多群友的各式各样的问题,不仅是中文乱码,还包括一些如日文、韩文 、俄文、藏文之类的乱码处理,因此确定源网页的编码。


2、含有验证码表单登陆


属于post请求,即先向服务器发送表单数据,需要验证码的情况可以使用带验证码登陆的cookie解决。


3、 使用代理


适用情况:限制IP地址情况,最好的办法就是维护一个代理IP池。


4、限制频率情况


限制爬虫访问网站的频率来避免被网站禁掉。


5、 “反盗链”


加上Referer,伪装成浏览器。


6、自动化测试工具Selenium


Selenium是一款自动化测试工具。它能实现操纵浏览器,包括字符填充、鼠标点击、获取元素、页面切换等一系列操作。


7、验证码识别


利用开源的Tesseract-OCR。


8、多线程抓取


高并发提交采集效率。


关注极光公众号

免费领取更多福利