python爬虫简介

• 关于爬虫使用

使用python编写的爬虫脚本（程序）可以完成定时定量，指定目标（Web站点）的数据爬取，主要使用多（单）线程/进程，网络请求库，数据解析，数据存储，任务调度等相关技术。

可以完成接口测试，功能性测试，性能测试和集成测试。

• 爬虫与web后端服务之间的关系

爬虫使用网络请求库，相当于客户端请求，Web后端服务根据请求响应数据。

https://www.cnblogs.com/lauhp/p/8979393.html

爬虫向Web服务器发起HTTP请求，正确的接受响应数据，然后根据数据类型content-type进行数据解析及存储。

爬虫在发起请求之前，需要伪造浏览器User-Agent指定请求头，然后在向服务器发起请求。

• 网络请求

常见网络请求库：

1. urllib/urllib3,
2. requests,
3. selenium(UI自动测试，动态js渲染）
4. appium(手机App的爬虫或UI测试）

数据解析：

1. re正则
2. xpath
3. bs4
4. json

序列化：把对象转换成字符串或者字节

反序列化：字符串或者字节转换成对象（字典，数组等）

序列化就是为了方便网络间的信息传输，字节码。

数据存储：

1. pymysql
2. mongodb

多任务库：

1. 多线程（threading）,线程队列queue
2. 协程（asynio, gevent / eventlet）

爬虫框架：

1. scrapy
2. scrapy-redis(分布式）多机器爬虫

反爬虫策略：

1. UA策略（user-agent）
2. 登录限制（cookie）
3. 请求频次（IP代理）
4. 验证码（图片-云打码,滑块，文字或图片的选择）
5. 动态js(Selenium/Splash/api接口)策略

scrapy

1. request和beautifulsoup都是库，scrapy是框架
2. scrapy框架中可以加入request和beautifulsoup
3. scrapy基于twisted,性能是最大的优势
4. scrapy内置的css和xpath selector非常方便，beautifulsoup（纯python写的）最大的缺点就是慢。

爬虫去重策略：