一、Scrapy框架简介 Scrapy是:由Python语言开发的一个快速、高层次的屏幕抓取和web抓取框架，用于抓取web站点并从页面中提取结构化的数据，只需要实现少量的代码，就能够快速的抓取。 Scrapy使用了Twisted异步网络框架来处理网络通信，可以加快我们的下载速度，不用自己去实现异步框架，并且包含了各种中间件接口，可以灵活地实现各种需求。 Scrapy可以应用在包括数据挖掘、信息处 [……]

继续阅读»»»

一、前言 在使用爬虫的时候，很多网站都有一定的反爬措施，甚至在爬取大量的数据或者频繁地访问该网站多次时还可能面临ip被禁，所以这个时候我们通常就可以找一些代理ip，和不用的浏览器来继续爬虫测试。下面就开始来简单地介绍一下User-Agent池和免费代理ip池。 二、User-Agent池 User-Agent 就是用户代理，又叫报头，是一串字符串，相当于浏览器的身份证号，我们在利用python发送 [……]

继续阅读»»»

一、单线程常规下载 常规单线程执行脚本爬取壁纸图片，只爬取一页的图片。 执行结果： 结果，第一页24张图片，就下载差不多8分钟，排除网络等因素，还没有手动下载快。 二、多线程下载 上面的有两个循环，第一个是页面的循环，一页一页的加载，每页在单独循坏单独下载图片。 所以有两个等待时间，第一个就是等待第一页下载完成，才会到第二页。第二个等待就是每页图片一张下载完才下载第二张。 综上，优化两点：第一点， [……]

继续阅读»»»

一、简介 前面文章已经介绍了selenium库使用，及浏览器提取信息相关方法。参考：python爬虫之selenium库 现在目标要求，用爬虫通过浏览器，搜索关键词，将搜索到的视频信息存储在excel表中。 二、创建excel表格，以及chrome驱动 三、创建定义搜索函数 里面有button_next 为跳转下一页的功能，之所有不用By.CLASS_NAME定位。看html代码可知 class名 [……]

继续阅读»»»

一、 selenium简介 如果链接简单，爬虫可以通过链接用requests库提取页面信息，如爬取豆瓣top250影片信息，链接简单易懂。参考：爬取豆瓣top250影片信息 但如果遇到一些搜索之类的，基于js动态加载的网页，以上就不适合，如爬虫b站，搜索“爬虫”页面，第一页链接如下，第二页又是很长没规律的链接。很难用requests库提取页面。 针对以上情况，我们可以通过浏览器直接访问每个页面，然 [……]

继续阅读»»»

简介 目标：使用 BeautifulSoup + Reuqests，爬取豆瓣上评分最高的250部电影，并保存到excel表格中。 requests库，参考文章：python爬虫之reuqests库BeautifulSoup库，参考文章：python爬虫之Beautiful Soup库 一、创建xls表格 需要用到xlwt库，没安装的话，安装即可 创建空表格 二、创建请求函数 这里创建douban_ [……]

继续阅读»»»

一、Beautiful Soup简介 爬虫正则表达式参考：Python 爬虫正则表达式和re库 在爬虫过程中，可以利用正则表达式去提取信息，但是有些人觉得比较麻烦。因为花大量时间分析正则表达式。这时候可以用高效的网页解析库Beautiful Soup。 Beautiful Soup 是一个HTML/XML 的解析器，主要用于解析和提取 HTML/XML 数据。 Beautiful Soup支持Py [……]

继续阅读»»»

一、Requests简介 urllib库参考：Python 爬虫之urllib库 Requests是用python语言基于urllib编写的，该模块主要用来发 送 HTTP 请求，requests 模块比 urllib 模块更简洁，是学习 python 爬虫的较好的http请求模块。 不是 python 的内置库，如果没有安装，可以安装先。 二、各种请求方式 requests里提供个各种请求方式， [……]

继续阅读»»»