python爬虫基础

1、 HTTPS和HTTP的区别：

  • https协议要申请证书到ca，需要一定经济成本
  • http是明文传输，https是加密的安全传输
  • 连接的端口不一样，http是80，https是443
  • http连接很简单，没有状态；https是ssl加密的传输，身份认证的网络协议，相对http传输比较安全。

还有很多，自己去整理一下吧

2、 如何解决验证码的问题，用什么模块，听过哪些人工打码平台？

PIL、pytesser、tesseract模块

平台的话有：（打码平台特殊，不保证时效性）

  • 云打码
  • 挣码
  • 斐斐打码
  • 若快打码
  • 超级鹰

3、 ip 被封了怎么解决，自己做过 ip 池么？

关于 ip 可以通过 ip 代理池来解决问题 ip 代理池相关的可以在 github 上搜索 ip proxy 自己选一个 去说 github.com/awolfly9/IP… 提供大体思路：

  1. 获取器 通过 requests 的爬虫爬取免费的 IP 代理网址获取 IP。
  2. 过滤器通过获取器获取的代理请求网页数据有数据返回的保存进 Redis。
  3. 定时检测器定时拿出一部分 Proxy 重新的用过滤器进行检测剔除不能用的代理。
  4. 利用 Flask web 服务器提供 API 方便提取 IP

4、Python如何爬取 HTTPS 网站？

这类问题属于简单类问题

  • 在使用 requests 前加入：requests.packages.urllib3.disable_warnings()。
  • 为 requests 添加 verify=False 参数
  • 导入ssl模块
1
2
3
import ssl
ssl._create_default_https_context = ssl._create_unverified_context
复制代码

5、python 爬虫有哪些常用框架？

序号 框架名称 描述 官网
1 Scrapy Scrapy是一个为了爬取网站数据，提取结构性数据而编写的应用框架。 可以应用在包括数据挖掘，信息处理或存储历史数据等一系列的程序中。用这个框架可以轻松爬下来如亚马逊商品信息之类的数据。 scrapy.org/
2 PySpider pyspider 是一个用python实现的功能强大的网络爬虫系统，能在浏览器界面上进行脚本的编写，功能的调度和爬取结果的实时查看，后端使用常用的数据库进行爬取结果的存储，还能定时设置任务与任务优先级等。 github.com/binux/pyspi…
3 Crawley Crawley可以高速爬取对应网站的内容，支持关系和非关系数据库，数据可以导出为JSON、XML等。 project.crawley-cloud.com/
4 Portia Portia是一个开源可视化爬虫工具，可让您在不需要任何编程知识的情况下爬取网站！简单地注释您感兴趣的页面，Portia将创建一个蜘蛛来从类似的页面提取数据。 github.com/scrapinghub…
5 Newspaper Newspaper可以用来提取新闻、文章和内容分析。使用多线程，支持10多种语言等。 github.com/codelucas/n…
6 Beautiful Soup Beautiful Soup 是一个可以从HTML或XML文件中提取数据的Python库.它能够通过你喜欢的转换器实现惯用的文档导航,查找,修改文档的方式.Beautiful Soup会帮你节省数小时甚至数天的工作时间 www.crummy.com/software/Be…
7 Grab Grab是一个用于构建Web刮板的Python框架。借助Grab，您可以构建各种复杂的网页抓取工具，从简单的5行脚本到处理数百万个网页的复杂异步网站抓取工具。Grab提供一个API用于执行网络请求和处理接收到的内容，例如与HTML文档的DOM树进行交互。 docs.grablib.org/en/latest/#…
8 Cola Cola是一个分布式的爬虫框架，对于用户来说，只需编写几个特定的函数，而无需关注分布式运行的细节。任务会自动分配到多台机器上，整个过程对用户是透明的。 没找着~
9 很多 看自己积累 多百度

6、 Scrapy 的优缺点?

优点：scrapy 是异步的

采取可读性更强的 xpath 代替正则强大的统计和 log 系统，同时在不同的 url 上爬行支持 shell 方式，方便独立调试写 middleware,方便写一些统一的过滤器，通过管道的方式存入数据库。

缺点：基于 python 的爬虫框架，扩展性比较差

基于 twisted 框架，运行中的 exception 是不会干掉 reactor，并且异步框架出错后是不会停掉其他任务的，数据出错后难以察觉。

7、 scrapy 和 request?

  • scrapy 是封装起来的框架，他包含了下载器，解析器，日志及异常处理，基于多线程， twisted 的方式处理，对于固定单个网站的爬取开发，有优势，但是对于多网站爬取，并发及分布式处理方面，不够灵活，不便调整与括展。
  • request 是一个 HTTP 库， 它只是用来，进行请求，对于 HTTP 请求，他是一个强大的库，下载，解析全部自己处理，灵活性更高，高并发与分布式部署也非常灵活，对于功能可以更好实现。

8、描述下 scrapy 框架运行的机制？

  1. 从 start_urls 里获取第一批 url 并发送请求，请求由引擎交给调度器入请求队列，获取完毕后，调度器将请求队列里的请求交给下载器去获取请求对应的响应资源，并将响应交给自己编写的解析方法做提取处理，如果提取出需要的数据，则交给管道文件处理；
  2. 如果提取出 url，则继续执行之前的步骤（发送 url 请求，并由引擎将请求交给调度器入队列…)，直到请求队列里没有请求，程序结束。

9、 实现模拟登录的方式有哪些？

  • 使用一个具有登录状态的 cookie，结合请求报头一起发送，可以直接发送 get 请求，访问登录后才能访问的页面。
  • 先发送登录界面的 get 请求，在登录页面 HTML 里获取登录需要的数据（如果需要的话），然后结合账户密码，再发送 post 请求，即可登录成功。然后根据获取的 cookie信息，继续访问之后的页面。

10、 你遇到过的反爬虫的策略？怎么解决？

  1. BAN IP
  2. BAN USERAGENT
  3. BAN COOKIES
  4. 验证码验证
  5. javascript渲染
  6. ajax异步传输
  7. 等…….
  • 通过headers反爬虫：解决策略，伪造headers
  • 基于用户行为反爬虫：动态变化去爬取数据，模拟普通用户的行为
  • 通过动态更改代理ip来反爬虫
  • 基于动态页面的反爬虫：跟踪服务器发送的ajax请求，模拟ajax请求,selnium 和phtamjs