浅谈 络爬虫

• 什么是 络爬虫/li>
• 爬虫能干什么
• • 搜索引擎
  • 抢票、刷票等自动化软件
  • 部分破解软件
  • 其他
• 爬虫很简单
• • 语言的选择
  • 两种语言的小demo
• 爬虫也不简单
• • ip、浏览器头(User-Agent)、和cookie限制
  • 需登录的验证码限制、参数限制
  • JavaScript渲染/ajax加密
• 爬虫知识储备路线
• • 1.基础语法：
  • 2.正则和爬虫相关库，以及浏览器F12抓包和Fidder等抓包工具抓包
  • 3.扎实的语法
  • 4. 多线程、数据库、线程安全相关知识。
  • 5. 分布式的概念和知识。
  • 6. js进阶、逆向等知识.
• 总结

什么是 络爬虫/h1>

• 你熟知的谷歌、百度、360等搜索都是形成的一套持久运行、相对稳定的系统。当然，这类爬虫并不是大部分人都能接触的，通常这类对硬件成本和算法的要求较高，要满足一定的爬行速率、爬行策略并且你还要通过一定 ，通过文本价值和外链数量等等判权信息给搜索排名加权。具体不做过多介绍。笔者也不会。但是如果有兴趣完全可以运用开源软件或者工具做个站内搜索，或者局域搜索。这个如果有兴趣可以实现，虽然可能效果不好。

抢票、刷票等自动化软件

运行结果

对于普通验证码来说，你大致有四个选择。

1. 验证码，直接手动登录用 站，复制cookie放到请求的去抓取数据。这种最不智能也是最简单的方法。(pandownload就是内置一个浏览器driver然后你手动登录后它获取你的cookie信息然后一波操作)
2. 将验证码下载到本地(应用)，让用户识别然后登录。
3. 通过人工智能和数字图像相关技术，提前好验证码识别模型，在遇到验证码时候执行程序识别。对于简单的验证码识别。也有不少开源作品。
4. 通过，让第三方专业打码。

而对于滑块以及其他奇葩如滑块，点选等等，那你要么借助第三方，要么就是自己研究其中js运转流程。以及交付方式。算法原理，还是很复杂的。笔者这部分也不是特别了解。只是略知一二。

不仅如此，在登录环节，往往还会遇到一些其他参数的会放到JavaScript里面，这需要你抓到比较。有的还会针对你的数据进行加密传到后台。这就需要你娴熟的js解密能力了。

JavaScript渲染/ajax加密

• 有不少页面的数据是通过或者渲染进去的。而在数据上，爬虫无法识别、执行JavaScript代码，只能借助等模拟执行js获取数据。或者就是自己研究js流程。弄懂里面参数变化过程。但是实际是相当有难度的。毕竟人家一个团队写的逻辑，要你一个人(还不是搞前端的搞懂)真的是太困难的。所以，爬虫工程师的水平区别在解决这些复杂问题就体现出来了。

爬虫知识储备路线

虽然一些高难度的爬虫确实很难，没有一定的工作经验和时间研究确实很难变强。但是我们还是能够通过掌握一些大众知识能够满足生活、学习的日常需求和创意。

1.基础语法：

• 无论你使用java和python，爬虫也是程序，你首先要掌握这门编程语言的语法。而基础语法入门也不需要太久，但是还是 需要一点时间，不能急于求成。

2.正则和爬虫相关库，以及浏览器F12抓包和Fidder等抓包工具抓包

• 当掌握基础语法后，爬虫一些简单好用的基本库需要花时间学习。正如上面表格所列的库。。在其中一定要学会使用抓包。简单分析请求的参数和地址等信息。而是一款强大的抓包工具。通过配置你也可以尝试抓安卓的包，爬去的数据。至于简单抓包浏览器就可以完成。推荐。

3.扎实的语法

• 因为一个爬虫项目它的，所以你需要，抓取这些数据能够。并且url遍历也需要深度优先遍历或者广度有限遍历等策略。需要熟悉这些基本算法，熟悉语言中集合模块的使用。

4. 多线程、数据库、线程安全相关知识。

• 单线程的爬虫是没灵魂的爬虫，一定要试试多线程，多进程爬虫的快感，然而这个过程可能会遇到封ip等问题，需要你自己搭建一个ip池。

5. 分布式的概念和知识。

• 一直单机的爬虫是没灵魂的爬虫。要试试多台程序多线程跑一个爬虫任务。当然，这里就会遇到分布式锁的问题。需要你对该方面稍微了解。运用。

6. js进阶、逆向等知识.

• 随着前后端分离，js流行等等， 页其实对于爬虫变得复杂，难度和学习成本也在提升。试着找一些登录 站模拟登录，调用一些开源算法等等。这部分其实才是真正大佬能力体现。当能够识别这种加密，然而其他app协议也就能慢慢解开,可能还会遇到app逆向脱壳编译等等。完成一些牛逼的事情。

总结