九色国产,午夜在线视频,新黄色网址,九九色综合,天天做夜夜做久久做狠狠,天天躁夜夜躁狠狠躁2021a,久久不卡一区二区三区

加入人人都是產(chǎn)品經(jīng)理【起點(diǎn)學(xué)院】產(chǎn)品經(jīng)理實戰(zhàn)訓(xùn)練營，BAT產(chǎn)品總監(jiān)手把手帶你學(xué)產(chǎn)品

關(guān)于爬蟲內(nèi)容的分享，我會分成兩篇，六個部分來分享，分別是：

1. 我們的目的是什么
2. 內(nèi)容從何而來
3. 了解網(wǎng)絡(luò)請求
4. 一些常見的限制方式
5. 嘗試解決問題的思路
6. 效率問題的取舍

本文先聊聊前三個部分。

一般來講對我們而言需要抓取的是某個網(wǎng)站或者某個應(yīng)用的內(nèi)容，提取有用的價值，內(nèi)容一般分為兩部分，非結(jié)構(gòu)化的文本，或者結(jié)構(gòu)化的文本。

1.1 HTML文本（包含javascript代碼）

HTML文本基本上是傳統(tǒng)爬蟲過程中最常見的，也就是大多數(shù)時候會遇到的情況，例如抓取一個網(wǎng)頁，得到的是HTML，然后需要解析一些常見的元素，提取一些關(guān)鍵的信息。HTML其實理應(yīng)屬于結(jié)構(gòu)化的文本組織，但是又因為一般我們需要的關(guān)鍵信息并非直接可以得到，需要進(jìn)行對HTML的解析查找，甚至一些字符串操作才能得到，所以還是歸類于非結(jié)構(gòu)化的數(shù)據(jù)處理中。

常見解析方式如下：

CSS選擇器

現(xiàn)在的網(wǎng)頁樣式比較多，所以一般的網(wǎng)頁都會有一些CSS的定位，例如class，id等等，或者我們根據(jù)常見的節(jié)點(diǎn)路徑進(jìn)行定位，例如騰訊首頁的財經(jīng)部分：

這里id就為finance，我們用css選擇器，就是'#finance'就得到了財經(jīng)這一塊區(qū)域的html，同理，可以根據(jù)特定的css選擇器可以獲取其他的內(nèi)容。

XPATH

XPATH是一種頁面元素的路徑選擇方法，利用chrome可以快速得到，如：

copy XPATH 就能得到——//*[@id='finance']

正則表達(dá)式

正則表達(dá)式，用標(biāo)準(zhǔn)正則解析，一般會把HTML當(dāng)做普通文本，用指定格式匹配當(dāng)相關(guān)文本，適合小片段文本，或者某一串字符，或者HTML包含javascript的代碼，無法用CSS選擇器或者XPATH。

字符串分隔

同正則表達(dá)式，更為偷懶的方法，不建議使用。

1.2 一段文本

例如一篇文章，或者一句話，我們的初衷是提取有效信息，所以如果是滯后處理，可以直接存儲，如果是需要實時提取有用信息，常見的處理方式如下：

分詞

根據(jù)抓取的網(wǎng)站類型，使用不同詞庫，進(jìn)行基本的分詞，然后變成詞頻統(tǒng)計，類似于向量的表示，詞為方向，詞頻為長度。

NLP

自然語言處理，進(jìn)行語義分析，用結(jié)果表示，例如正負(fù)面等。

結(jié)構(gòu)化的數(shù)據(jù)是最好處理，一般都是類似JSON格式的字符串，直接解析JSON數(shù)據(jù)就可以了，提取JSON的關(guān)鍵字段即可

過去我們常需要獲取的內(nèi)容主要來源于網(wǎng)頁，一般來講，我們決定進(jìn)行抓取的時候，都是網(wǎng)頁上可看到的內(nèi)容，但是隨著這幾年移動互聯(lián)網(wǎng)的發(fā)展，我們也發(fā)現(xiàn)越來越多的內(nèi)容會來源于移動app，所以爬蟲就不止局限于一定要抓取解析網(wǎng)頁，還有就是模擬移動app的網(wǎng)絡(luò)請求進(jìn)行抓取，所以這一部分我會分兩部分進(jìn)行說明。

網(wǎng)頁內(nèi)容一般就是指我們最終在網(wǎng)頁上看到的內(nèi)容，但是這個過程其實并不是網(wǎng)頁的代碼里面直接包含內(nèi)容這么簡單，所以對于很多新人而言，會遇到很多問題，比如：

明明在頁面用Chrome或者Firefox進(jìn)行審查元素時能看到某個HTML標(biāo)簽下包含內(nèi)容，但是抓取的時候為空。

很多內(nèi)容一定要在頁面上點(diǎn)擊某個按鈕或者進(jìn)行某個交互操作才能顯示出來。

所以對于很多新人的做法是用某個語言別人模擬瀏覽器操作的庫，其實就是調(diào)用本地瀏覽器或者是包含了一些執(zhí)行javascript的引擎來進(jìn)行模擬操作抓取數(shù)據(jù)，但是這種做法顯然對于想要大量抓取數(shù)據(jù)的情況下是效率非常低下，并且對于技術(shù)人員本身而言也相當(dāng)于在用一個盒子，那么對于這些內(nèi)容到底是怎么顯示在網(wǎng)頁上的呢？主要分為以下幾種情況：

網(wǎng)頁包含內(nèi)容

這種情況是最容易解決的，一般來講基本上是靜態(tài)網(wǎng)頁已經(jīng)寫死的內(nèi)容，或者動態(tài)網(wǎng)頁，采用模板渲染，瀏覽器獲取到HTML的時候已經(jīng)是包含所有的關(guān)鍵信息，所以直接在網(wǎng)頁上看到的內(nèi)容都可以通過特定的HTML標(biāo)簽得到

javascript代碼加載內(nèi)容

這種情況是由于雖然網(wǎng)頁顯示時，內(nèi)容在HTML標(biāo)簽里面，但是其實是由于執(zhí)行js代碼加到標(biāo)簽里面的，所以這個時候內(nèi)容在js代碼里面的，而js的執(zhí)行是在瀏覽器端的操作，所以用程序去請求網(wǎng)頁地址的時候，得到的response是網(wǎng)頁代碼和js的代碼，所以自己在瀏覽器端能看到內(nèi)容，解析時由于js未執(zhí)行，肯定找到指定HTML標(biāo)簽下內(nèi)容肯定為空，這個時候的處理辦法，一般來講主要是要找到包含內(nèi)容的js代碼串，然后通過正則表達(dá)式獲得相應(yīng)的內(nèi)容，而不是解析HTML標(biāo)簽。

Ajax異步請求

這種情況是現(xiàn)在很常見的，尤其是在內(nèi)容以分頁形式顯示在網(wǎng)頁上，并且頁面無刷新，或者是對網(wǎng)頁進(jìn)行某個交互操作后，得到內(nèi)容。那我們該如何分析這些請求呢？這里我以Chrome的操作為例，進(jìn)行說明：

所以當(dāng)我們開始刷新頁面的時候就要開始跟蹤所有的請求，觀察數(shù)據(jù)到底是在哪一步加載進(jìn)來的。然后當(dāng)我們找到核心的異步請求的時候，就只用抓取這個異步請求就可以了，如果原始網(wǎng)頁沒有任何有用信息，也沒必要去抓取原始網(wǎng)頁了。

因為現(xiàn)在移動應(yīng)用越來越多，很多有用信息都在App里面，另外解析非結(jié)構(gòu)化文本和結(jié)構(gòu)文本對比而言，結(jié)構(gòu)化文本會簡單多了，不同去找內(nèi)容，去過多分析解析，所有既有網(wǎng)站又有App的話，推薦抓取App，大多數(shù)情況下基本上只是一些JSON數(shù)據(jù)的API了。那么App的數(shù)據(jù)該如何抓取呢？通用的方法就是抓包，基本的做法就是電腦安裝抓包軟件，配置好端口，然后記下ip，手機(jī)端和電腦在同一個局域網(wǎng)里面，然后在手機(jī)的網(wǎng)絡(luò)連接里面設(shè)置好代理，這個時候打開App進(jìn)行一些操作，如果有網(wǎng)絡(luò)數(shù)據(jù)請求，則都會被抓包軟件記下，就如上Chrome分析網(wǎng)絡(luò)請求一樣，你可以看到所有的請求情況，可以模擬請求操作。這里Mac上我推薦軟件Charles，Windows推薦Fiddler2。

具體如何使用，之后我再做詳述，可能會涉及到HTTPS證書的問題。

剛剛一直在寬泛的提到一些我們需要找到請求，進(jìn)行請求，對于請求只是一筆帶過，但請求是很重要的一部分，包括如何繞過限制，如何發(fā)送正確地數(shù)據(jù)，都需要對的請求，這里就要詳細(xì)的展開說下請求，以及如何模擬請求。

我們常說爬蟲其實就是一堆的HTTP請求，找到待爬取的鏈接，不管是網(wǎng)頁鏈接還是App抓包得到的API鏈接，然后發(fā)送一個請求包，得到一個返回包（也有HTTP長連接，或者Streaming的情況，這里不考慮），所以核心的幾個要素就是：

1. URL
2. 請求方法（POST, GET）
3. 請求包headers
4. 請求包內(nèi)容
5. 返回包headers

在用Chrome進(jìn)行網(wǎng)絡(luò)請求捕獲或者用抓包工具分析請求時，最重要的是弄清楚URL，請求方法，然后headers里面的字段，大多數(shù)出問題就出在headers里面，最常限制的幾個字段就是User-Agent, Referer,Cookie 另外Base Auth也是在headers里面加了Autheration的字段。

請求內(nèi)容也就是post時需要發(fā)送的數(shù)據(jù)，一般都是將Key-Value進(jìn)行urlencode返回包headers大多數(shù)會被人忽視，可能只得到內(nèi)容就可以了，但是其實很多時候，很多人會發(fā)現(xiàn)明明url，請求方法還有請求包的內(nèi)容都對了，為什么沒有返回內(nèi)容，或者發(fā)現(xiàn)請求被限制，其實這里大概有兩個原因：

• 一個是返回包的內(nèi)容是空的，但是在返回包的headers的字段里面有個Location，這個Location字段就是告訴瀏覽器重定向，所以有時候代碼沒有自動跟蹤，自然就沒有內(nèi)容了；
• 另外一個就是很多人會頭疼的Cookie問題，簡單說就是瀏覽器為什么知道你的請求合法的，例如已登錄等等，其實就是可能你之前某個請求的返回包的headers里面有個字段叫Set-Cookie，Cookie存在本地，一旦設(shè)置后，除非過期，一般都會自動加在請求字段上，所以Set-Cookie里面的內(nèi)容就會告訴瀏覽器存多久，存的是什么內(nèi)容，在哪個路徑下有用，Cookie都是在指定域下，一般都不跨域，域就是你請求的鏈接host。

所以分析請求時，一定要注意前四個，在模擬時保持一致，同時觀察第五個返回時是不是有限制或者有重定向。