2 天前 / 叫我阿柒啊
前言我们身处大数据时代，数据趋于透明化、公开化，我们是否就可以拿着数据为所欲为？几年前很多人向往着"车厘子自由"，同样在也有很多人也追求着技术自由。时至今日，我们可以在合法的范围内自由应用技术，那么对于爬虫的合法化，到底有哪些的法律可以来界定？ 在很长的一段时间内，很多人谈爬虫色变，同时很多调侃爬虫的段子也应运而生。 因为兴趣学习了爬虫，后来也承担下了爬虫开发的工作。我也是被调侃大军中一员，甚至有一段时间我也都有点不敢开发爬虫了，现在想想，有点盲目了。
8 天前 / 叫我阿柒啊
前言上一篇文章主要讲了如何解析网页，本篇文章主要来写一下如何发起请求。可能看过前两篇文章的人就开始疑惑了，请求？你不是说一行代码就可以搞定了么。的确，一行代码就能搞定。但是请求部分既然扮演着浏览器的角色，我们是不是应该尽量让它变得和浏览器一样。而我在第一篇文章中也讲到，爬虫是模拟人的行为去获取数据。那么我们就需要知道，一个人去访问网站有什么样的行为？爬虫怎么去模拟人的行为？ 请求头当一个人打开浏览器输入网址敲下回车，会发起一个 HTTP 请求，即 Request，来访问网站服务端，服务端接收请求并返回响应内容，即 Response。
12 天前 / 叫我阿柒啊
前言上一篇文章讲了爬虫的概念，本篇文章主要来讲述一下如何来解析爬虫请求的网页内容。 一个简单的爬虫程序主要分为两个部分，请求部分和解析部分。请求部分基本一行代码就可以搞定，所以主要来讲述一下解析部分。对于解析，最常用的就是 xpath 和 css 选择器，偶尔也会使用正则表达式。 不论是 xpah 还是 css，都是通过 html 元素或者其中某些属性来选中符合条件的元素节点。 以斗罗大陆的部分 html 为例。
21 天前 / 叫我阿柒啊
序章 18 年初，还在实习期的我因为工作需求开始接触 Java 爬虫，从一个网站爬取了 163W 条 poi 数据，这是我人生中写的第一个爬虫，也是唯一的一个 Java 爬虫。后来这些 poi 数据也成了我毕业设计中的一部分。后来开始学习 Python 爬虫以及爬虫框架 Scrapy，尤其是 Scrapy，前前后后研究了一个多月，并利用 Scrapy 构建了千万级数据的 ICA( 互联网内容识别)资源库。 写爬虫系列的目的主要是想记录一下自己学习爬虫的经历，以及遇到的一些问题，也希望能够给爬虫初学者带来一些启示。
24 天前 / Inputing
之前我们了解了一些验证码的处理流程，比如图形验证码、滑块验证码、点选验证码等等，但是这些验证码都有一种共同的特点，那就是这些验证码的处理流程通常只需要在 PC 上完成即可，比如图形验证码如果在 PC 上出现，那么在 PC 上直接验证通过就好了，所有的识别、验证输入的流程都是在 PC 上完成的。 但还有一种验证码和此种情况不同，那就是手机验证码，比如 PC 上需要输入手机号，然后短信验证码需要发到手机上，然后再在 PC 上把收到的验证码输入即可通过验证。
98 天前 / 开发者头条
大家好，我是周刊菌。 牛年行牛运！加入「码农周刊 VIP 会员」，一起牛起来！ 以下内容选自「码农周刊 VIP 会员」圈子，每日更新，精彩不断。 码农周刊是什么？ 码农周刊是一份专为广大程序员、编程爱好者们打造的 IT 技术周刊。每周发送。 2013 年 9 月 12 日创刊至今，已发送 300 多期，订阅用户超 20 万。 专业、简单、有用，是我们一直坚持的办刊宗旨。一路走来，我们见证了不少订阅用户从编程新手进阶成了高级程序员、架构师、CTO…… 2020 年 4 月，为了给用户提供更优质的服务，我们推出了「码农周刊 VIP 会员」服务。
114 天前 / Python集中营
点击上方“蓝字”，设为星标。 在一些网站服务中，除了对 user-agent 的身份信息进行检测、也对客户端的 ip 地址做了限制，如果是同一个客户端访问此网站服务器的次数过多就会将其识别为爬虫，因而，限制其客户端 ip 的访问。这样的限制给我们的爬虫带来了麻烦，所以使用代理 ip 在爬虫中是非常有必要的。 要使用代理 ip 进行爬虫就面临两个问题，一是怎么使用、这个就相对简单，另一个是怎么获取这么多的代理 ip。
120 天前 / Python集中营
点击上方【Python 集中营】，设为星标、发现更多精彩。 URL 管理器是爬虫过程中重要的一环，使用它来管理在爬虫过程中众多的 URL 地址以免造成重复获取爬虫地址、爬虫 陷入死循环等情况的发生。比如，我们要根据 baidu.com 来进行爬虫，如果在爬虫的子页面中也包含 baidu.com 不做处理的话就会陷入循环，所以说，在爬虫过程中对 URL 进行很好的维护是非常重要的。 1、创建 url 管理对象及属性定义 1#导入队列 2fromcollectionsimportdeque 3 4#定义url管理器类 5classurl_queue(): 6def__init__(self): 7#定义待爬取的队列 8self.queue=deque() ...
188 天前 / java金融
点击上方“Java 金融”，选择“设为星标” 后台回复"888"获取 bat 面试题集 引言正在午睡，突然收到线上疯狂报警的邮件，查看这个邮件发现这个报警的应用最近半个月都没有发布，应该不至于会有报警，但是还是打开邮件通过监控发现是由于某个接口某个接口流量暴增，CPU 暴涨。为了先解决问题只能先暂时扩容机器了，把机器扩容了一倍，问题得到暂时的解决。最后复盘为什么流量暴增？由于最近新上线了一个商品列表查询接口，主要用来查询商品信息，展示给到用户。
227 天前 / GO语言中文网
绘制图表不是前端的专利，服务端语言也可以关注公众号 “转角遇到 GitHub” ，每天推荐给你优秀开源项目 大家好，我是欧盆索思（opensource），每天为你带来优秀的开源项目！ 说起爬虫，很多人可能想到 Python，其实 Go 目前在这方面表现也还可以。今天看看 Go 比较有名的爬虫相关库有哪些？ GoQuery 说起 Go 爬虫相关库，最早、最知名的应该是 goquery，这是模仿 jquery 的，所以使用过 jquery 的，用 goquery 会特别亲切，功能也很强大。 项目地址：https://github.com/PuerkitoBio/goquery，Star 数 9.4k+。
233 天前 / Python小二
小三：怎么了小二？一副愁眉苦脸的样子。 小二：唉！这不是快过年了吗，家里又催相亲了 ... 小三：现在不是流行网恋吗，你可以试试相亲软件呀。 小二：这玩意靠谱吗？ 小三：我也没用过，你自己看看软件评论区吧。 小二：这 ... 不过也只能先到评论区看看了。 本文以 360 手机助手为例，地址为：http://zhushou.360.cn/，相亲软件选择 3 个比较流行的，分别为：世纪佳缘、百合婚恋、有缘网，我们使用 Python 爬取软件评论区，看看用户评价情况。 先来看一下这三款软件的下载量和好中差评占比情况（下图单位为万次）。
239 天前 / Python小二
小三：“怎么了小二？一副无精打采的样子！” 小二：“唉！别提了，还不是最近又接触了一个叫英雄联盟的游戏，游戏中很多皮肤都需要花钱买，但是我钱不够呀。..” 小三：“咋得，钱攒够了你还要买呀？还吃不吃饭了？！要我说，你干脆将英雄的炫彩皮肤都爬下来欣赏一下得了，饭钱还给你省下了。” 小二：“你说的也对，毕竟吃饭更重要，那我还是爬取皮肤欣赏一下算了。” 首先，我们打开英雄联盟官网主页，网址为：https://lol.qq.com/main.shtml，然后向下拉，可以看到英雄列表，如图所示： 接着随意选一个英雄点击进入看一下，如图所示： 再点击鼠标右键...
251 天前 / clumsy
1、背景经常有使用 selenium 的同学在访问网页的过程中发现，程序跑着跑着就被服务器给 ban 了。 当然对于一般情况下，咱们加个代理继续跑，没毛病。 然后跑着跑着又被封了。 纳尼？开始灵魂发问： 是浏览器里关于 webdriver 的痕迹没有清除？是因为 canvas 指纹识别真实用户？还是时区和地理位置不一致？其他等等。..今天我们来说另外一种可能，就是其实你加上了代理也等于白加了因为网页使用了一种叫 WebRTC 的技术识别出了你本地电脑真实 IP 2 什么是 WebRTC？参考维基百科解释 webrtc： 我翻译一下： 说人话就是说浏览器内置了一些 API 接口...
290 天前 / 编程技术宇宙
爬虫原理我是一个爬虫，每天穿行于互联网之上，爬取我需要的一切。 说起来还要感谢 HTTP 协议，因为它，全世界的网站和浏览器才能够连接通信，而我也是借助 HTTP 协议，获取我想要的数据。 我只需要伪装成一个浏览器，向服务器发送 HTTP 请求，就能拿到网页 HTML 文件。 接着，我再按照 HTML 的格式规范，去解析其中的图片、链接、表单等等我关注的信息。 获取链接标签以后，我又可以进一步爬取链接背后的网页，如此反复，要不了多久，一个网站中暴露出来的内容我就能爬个干净。 当然了，咱们做爬虫也还是有底线的。