前言

最近學完Python，寫了幾個爬蟲練練手，網上的教程有很多，但是有的已經不能爬了，主要是網站經常改，可是爬蟲還是有通用的思路的，即下載數據、解析數據、保存數據。下面一一來講。

1.下載數據

首先打開要爬的網站，分析URL，每打開一個網頁看URL有什么變化，有可能帶上上個網頁的某個數據，例如xxID之類，那么我們就需要在上一個頁面分析HTML，找到對應的數據。如果網頁源碼找不到，可能是ajax異步加載，去xhr里去找。

有的網站做了反爬的處理，可以添加User-Agent ：判斷瀏覽器

self.user_agent = 'Mozilla/4.0 (compatible; MSIE 5.5; Windows NT)'# 初始化 headersself.headers = {'User-Agent': self.user_agent}

如果不行，在Chrome上按F12分析請求頭、請求體，看需不需要添加別的信息，例如有的網址添加了referer：記住當前網頁的來源，那么我們在請求的時候就可以帶上。按Ctrl + Shift + C，可以定位元素在HTML上的位置

動態網頁

有一些網頁是動態網頁，我們得到網頁的時候，數據還沒請求到呢，當然什么都提取不出來，用Python 解決這個問題只有兩種途徑：直接從JavaScript 代碼里采集內容，或者用Python 的第三方庫運行JavaScript，直接采集你在瀏覽器里看到的頁面。

1.找請求，看返回的內容，網頁的內容可能就在這里。然后可以復制請求，復雜的網址中，有些亂七八糟的可以刪除，有意義的部分保留。切記刪除一小部分后先嘗試能不能打開網頁，如果成功再刪減，直到不能刪減。

2.Selenium：是一個強大的網絡數據采集工具（但是速度慢），其最初是為網站自動化測試而開發的。近幾年，它還被廣泛用于獲取精確的網站快照，因為它們可以直接運行在瀏覽器上。Selenium 庫是一個在WebDriver 上調用的API。

WebDriver 有點兒像可以加載網站的瀏覽器，但是它也可以像BeautifulSoup對象一樣用來查找頁面元素，與頁面上的元素進行交互（發送文本、點擊等），以及執行其他動作來運行網絡爬蟲。

PhantomJS：是一個“無頭”（headless）瀏覽器。它會把網站加載到內存并執行頁面上的JavaScript，但是它不會向用戶展示網頁的圖形界面。把Selenium和PhantomJS 結合在一起，就可以運行一個非常強大的網絡爬蟲了，可以處理cookie、JavaScript、header，以及任何你需要做的事情。

下載數據的模塊有urllib、urllib2及Requests

Requests相比其他倆個的話，支持HTTP連接保持和連接池，支持使用cookie保持會話，支持文件上傳，支持自 動確定響應內容的編碼，支持國際化的 URL 和 POST 數據自動編碼，而且api相對來說也簡單，但是requests直接使用不能異步調用，速度慢。