标签：更改   检查   平台   信息   url   距离   请求头   获取   ip池   

爬取思想流程

最近两天写爬虫比较多, 总结一下书写爬虫的思路步骤.

获取url.

浏览器打开.

如果无法直接打开, 则判断哪里有验证,根据平台修改User-Agent等请求头.

信息页面路径上是否有所验证. 登录验证, IP验证. 有则一一解决.

登录验证

• 登录验证主要分两种:

  • 图片验证: 抓下图片, 训练识别.
  • 滑块验证: 截图, 缺口距离判断, 模拟操作.

• IP限制:

  • 维护IP池代理访问

动态页面

信息页面是否为动态页面. 检查源代码与前端显示是否一致.

• 动态页面:
  • js,css,字体: 高效率的方法就是直接通过selenium/puppeteer.获取转化后的页面元素. 也可以根据动态策略一一还原.

页面下拉

页面信息无法一次加载完成, 需不断下拉才能再次加载.

• 下拉页面:
  • 根据js元素操作页面.
  • browser driver 发送键盘操作

反selenium策略

页面有反selenium策略.

• 应对反selenium
  • 更改browser driver设置. 隐藏selenium调试标识.
  • 使用远程调试
  • 避免使用browser driver对js进行操作.

爬虫对弈无止境, 如有新得再补.

爬取思想流程

标签：更改   检查   平台   信息   url   距离   请求头   获取   ip池   

原文地址：https://www.cnblogs.com/jrri/p/12578891.html