python_爬虫

定时、定量、制定目标的数据搜集程序。

技术库

网络请求

• urllib
• requests（三方）/ urllib3
• selenium（UI自动测试、动态js渲染）
• appium（手机App的爬虫或UI测试）

urllib

requests

基于urllib和urllib3封装的便捷使用的网络请求库

数据解析

• re正则
• xpath
• bs4
• json

数据存储

• pymysql
• mongodb
• elasticsearch

多任务库

• threading（多线程）、queue（线程队列）
• asynio（协程）、gevent/eventlet（三方）

爬虫框架

• scrapy
• scrapy-redis（分布式多机爬虫）

反爬策略

• UA（User-Agent）策略
• 登录限制（Cookie）策略
• 请求频次（IP代理）策略
• 验证码（图片-云打码，文字或物件图片选择、滑块）
• 动态js（Selenium/Splash/api接口）策略

爬虫与服务端的交互

伪造浏览器（User-Agent指定请求头），向服务器发起请求，接收响应数据，根据数据类型解析存储。

WSGI （web Servive Gateway interface web服务网关接口 基于socket）
WebKit （web客服端实现的框架）