爬蟲開發(fā)必學(xué)的8個技巧

現(xiàn)在，有越來越多所謂的“教程”來幫助我們提高爬蟲的易用性。本人收集了一些在爬蟲開發(fā)中容易出錯和被難住的小問題，提供了參考的意見和想法，以便于幫助爬蟲開發(fā)者。

1、爬蟲亂碼(網(wǎng)址亂碼、返回頁面亂碼、提交數(shù)據(jù)亂碼)

關(guān)于爬蟲亂碼有很多群友的各式各樣的問題，不僅是中文亂碼，還包括一些如日文、韓文 、俄文、藏文之類的亂碼處理，因此確定源網(wǎng)頁的編碼。

2、含有驗證碼表單登陸

屬于post請求，即先向服務(wù)器發(fā)送表單數(shù)據(jù)，需要驗證碼的情況可以使用帶驗證碼登陸的cookie解決。

3、 使用代理

適用情況：限制IP地址情況，最好的辦法就是維護一個代理IP池。

4、限制頻率情況

限制爬蟲訪問網(wǎng)站的頻率來避免被網(wǎng)站禁掉。

5、 “反盜鏈”

加上Referer，偽裝成瀏覽器。

6、自動化測試工具Selenium

Selenium是一款自動化測試工具。它能實現(xiàn)操縱瀏覽器，包括字符填充、鼠標點擊、獲取元素、頁面切換等一系列操作。

7、驗證碼識別

利用開源的Tesseract-OCR。

8、多線程抓取

高并發(fā)提交采集效率。友情提示：獲得更多學(xué)科學(xué)習視頻+資料+源碼，請加QQ：3276250747。

本文版權(quán)歸黑馬程序員人工智能+Python學(xué)院所有，歡迎轉(zhuǎn)載，轉(zhuǎn)載請注明作者出處。謝謝！

作者：黑馬程序員人工智能+Python培訓(xùn)學(xué)院

首發(fā)：http://python.itheima.com/