爬虫问题总结

本文档对日常学习中用 python 做数据爬取时所遇到的一些问题做简要记录，以便日后查阅，部分问题可能因为认识不到位会存在一些误解，敬请告知，万分感谢，共同进步。

估算网站规模

该小节主要针对于整站爬取的情况。
爬取整站之前，肯定是要先对一个网站的规模进行估计。这是可以使用google搜索查看大概有多少个网址，这里使用到google搜索的一个小技巧。

site:url地址

有的时候可查看网站的sitemap.xml，但它有时候会过期或者滞后，不是很准确。

识别网站所用技术

要爬的网站使用的技术会影响到我们所写的代码中的处理手段。
推荐使用builtwith这个第三方包，可以使用pip来安装。
简单使用如下：

In [1]: import builtwith

In [2]: builtwith.parse('http://example.webscraping.com/')
Out[2]:
{u'javascript-frameworks': [u'jQuery', u'Modernizr', u'jQuery UI'],
 u'programming-languages': [u'Python'],
 u'web-frameworks': [u'Web2py', u'Twitter Bootstrap'],
 u'web-servers': [u'Nginx']}

伪装成浏览器

UA，即 User-Agent，是Http协议的一部分，属于头域的组成部分，发送 http 请求时，请求头中会有 User-Agent字段。服务器通过该字段来分辨发送请求的浏览器类型、版本、内核以及操作系统信息等。
在浏览器 console 可用如下命令来获得该浏览器的 UA 标识

navigator.userAgent

部分网站不想被爬虫爬取就会检查 http 请求头的该字段内容， 所以在用爬虫做抓取时，通常要在请求头加上该字段，以把自己伪装成浏览器。有时候通过手机浏览器访问得到的页面会更加简洁，更容易抓取，所以伪装成手机浏览器也是一种好方法。
网上有很多整理的不同浏览器的 UA ，比如各种浏览器UserAgent一览表。
浏览器野史 UserAgent列传（上）和 浏览器野史 UserAgent列传（下），这两篇文章细说了 UA 的来龙去脉，去感受下当时波澜壮阔的“浏览器之战”。

防盗链

部分服务器会检查 http 请求头的 Referer 字段来判断你是否是从指定页面跳转而来的，以达到防盗链的作用。因此在伪装请求头部的时候，该字段也是不容忽视的。

url 编码

我们发现，URL 中有时候存在中文，这是就需要对 url 进行编码。
可以先将中文转换成 utf-8 编码，然后使用 urllib2.quote 方法对参数进行 url 编码后传递。

import urllib
param = u'你好'
param = param.encode('utf-8')
param = urllib.quote(param)

对于 url 来说，之所以要进行编码，是因为 url 中有些字符会引起歧义。
同理使用 unquote 可以解码。

动态加载问题

经常会遇到这样情况：将网页拖到底部会自动往下加载新的数据，或者有加载更多这样的按钮，这里说的就是 AJAX 了。

AJAX 是 Asynchronous JavaScript and XML（异步的 JavaScript 和 XML）的缩写。它通过使用原有的 web 标准组件，实现了在不重新加载整个页面的情况下，与服务器进行数据交互。例如在新浪微博中，你可以展开一条微博的评论，而不需要重新加载，或者打开一个新的页面。但是这些内容并不是一开始就在页面中的（这样页面就太大了），而是在你点击的时候被加载进来的。这就导致了你抓取这个页面的时候，并不能获得这些评论信息（因为你没有『展开』）。

AJAX 一般是通过 XMLHttpRequest 对象接口发送请求的，XMLHttpRequest 一般被缩写为 XHR。

通过审查元素找请求的 js 地址

这些 js 的名字通常看起来与其他的不太一样。
拿澎湃网举个栗子，这才是发送请求获得文章的真正地址，

AJAX 的一种常见用法是使用 AJAX 加载 JSON 数据，然后在浏览器端渲染。
这种情况很好处理，因为 python 自带的处理 json 的库，举个栗子：
豌豆荚安卓游戏排行榜，每次点击更多会加载新的数据。在审查元素里，可以看到每次点击查看更多，都会返回一个包含应用数据详细信息的数据。

查看请求 json 数据的地址
http://apps.wandoujia.com/api...
max 参数的值表示这一次请求返回多少个 app 信息， start 参数的值表示从第几个 app 开始，start 从 0 开始。

另外，在构建请求头时，应该加上这个参数 'X-Requested-With': 'XMLHttpRequest',当使用 XHR 发送 AJAX 请求时 Header 会带上这个字段，常被用于判断是不是 AJAX 请求。

Selenium+PhantomJS

Selenium 是一个强大的网络数据采集工具，最初是为网站自动测试而开发的。它可以让浏览器自动加载页面，获取所需要的数据，甚至页面截屏，或者判断网站上某些动作事都发生。

对应的 python 库，可以用 pip 安装。
PhantomJS 是一个 headless browser，它会把网站加载到内存并执行页面上的 JavaScript，但是不会向用户展示网页的图形界面。它不是python库，需要单独下载(喏，你要的官网)。
写一个简单的栗子：

from selenium import webdriver
from selenium.webdriver.common.keys import Keys

driver = webdriver.PhantomJS(executable_path='<Path to PhantomJs>')
driver.get("http://www.python.org")
assert "Python" in driver.title
elem = driver.find_element_by_name("q")
elem.clear()
elem.send_keys("pycon")
elem.send_keys(Keys.RETURN)
assert "No results found." not in driver.page_source
driver.close()

Path to PhantomJs 处 需要指定位置，如果该路径已经加入到了环境变量中，那么可以不加这个参数。
这里只是个简单的介绍，后续会对 Selenium 的 python 版 API 的使用做单独介绍。

代理问题

部分网站对 ip 进行了限制，导致我们无法爬到想要的数据，这个时候可以用代理来做。
使用 requests 这个第三方库，可以轻松地设置代理。
再举个栗子：

import requests

proxies = {
  'http': 'http://10.10.1.10:3128',
  'https': 'http://10.10.1.10:1080',
}
requests.get('http://example.org', proxies=proxies)

发送 http 请求

虽然自带的 urllib 和 urllib2 库可以满足需求，但是不推荐使用。为什么？因为它们的操作太繁琐，尤其在处理一些复杂情况时，这不符合 python 的设计哲学，所以放手抛弃它们吧。
推荐使用 requests这个第三方库，正如它标榜的那样--Requests: HTTP for Humans，同时也支持 py3。
使用 requests 库发送请求是如此的优雅，

import requests
r = requests.get('https://api.github.com/events')
print r.text

具体使用方法可以看官方 API。

解析页面

既然获取到了请求页面的源码，那么接下来要做的就是解析工作，一般来说，有下面三个库用得是最多的：lxml库， bs4库，以及正则。
lxml 解析速度要比 bs4 快，据说快好几倍，正则是个终结技，只是写起来有点麻烦。另外， bs4 不支持 xpath，而lxml 支持，总之，视自己的情况选择了。
前几天还接触过一个库，名字叫 pyquery，它是 jQuery 的 python 实现，可以用于解析 html 网页内容，熟悉 jQuery 语法童鞋的福音。

另:bs4 库解析遇到的一个问题

前几天遇到一个问题，问题是这样的，html 页面的数据经过Beautiful Soup库的解析后，部分html源码丢失，找不到想要的数据了，问题代码如下：

#! /usr/bin/env python
# -*- coding:utf-8 -*-

import requests
from bs4 import BeautifulSoup

url = 'http://product.pconline.com.cn/mobile/'
res = requests.get(url)
html = res.text
# print html
soup = BeautifulSoup(html, 'lxml')
site = soup.findAll('img', class_='pic')
print site

输出结果为空，没有想要的数据。查看官方文档，bs 库支持的解析库有 lxml, html5lib 和 html.parser。用的最多的是 lxml，因为它的解析速度快，并且容错能力强，默认也是使用该解析器。
出现解析后源码丢失的可能原因有 2 个：

• BeautifulSoup 有时候会遇到非法的，不支持的 html 源码而导致无法解析或无法正常解析 html；
• 处理的文档太大，而处理的解析器缓存不够造成的信息丢失。

这里换一个解析器，换成 html.parser 就可以了。

编码问题

将编码设置为 utf-8

import sys
reload(sys)
sys.setdefaultencoding('utf-8')

总之，py2 中的编码问题很烦人，只要解码与编码不一致就会出现乱码。对 unicode 可以 编码，其他编码 decode 成 unicode。
要注意'hello' 和 u'hello' 的区别。

多线程爬取

验证码处理

模拟登录