实现爬虫的套路

• 准备url

  • 准备start_url

    • url地址规律不明显，总数不确定

    • 通过代码提取下一页的url

      • xpath

      • 寻找url地址，部分参数在当前的响应中（比如，当前页码数和总的页码数在当前的响应中）

  • 准备url_list

    • 页码总数明确

    • url地址规律明显

• 发送请求，获取响应

  • 添加随机的User-Agent,反反爬虫

  • 添加随机的代理ip，反反爬虫

  • 在对方判断出我们是爬虫之后，应该添加更多的headers字段，包括cookie

  • cookie的处理可以使用session来解决

  • 准备一堆能用的cookie，组成cookie池

    • 如果不登录

      • 准备刚开始能够成功请求对方网站的cookie，即接收对方网站设置在response的cookie

      • 下一次请求的时候，使用之前的列表中的cookie来请求

    • 如果登录

      • 准备多个账号

      • 使用程序获取每个账号的cookie

      • 之后请求登录之后才能访问的网站随机的选择cookie

• 提取数据

  • 确定数据的位置

    • 如果数据在当前的url地址中

      • 提取的是列表页的数据

        • 直接请求列表页的url地址，不用进入详情页

      • 提取的是详情页的数据

        • 1. 确定url

        • 2. 发送请求

        • 3. 提取数据

        • 4. 返回

    • 如果数据不在当前的url地址中

      • 在其他的响应中，寻找数据的位置

        • 1. 从network中从上往下找

        • 2. 使用chrome中的过滤条件，选择出了js,css,img之外的按钮

        • 3. 使用chrome的search all file，搜索数字和英文

  • 数据的提取

    • xpath,从html中提取整块的数据，先分组，之后每一组再提取

    • re，提取max_time,price,html中的json字符串

    • json

• 保存

  • 保存在本地，text,json,csv

  • 保存在数据库