python3爬虫爬取网页思路及常见问题（原创）

学习爬虫有一段时间了，对遇到的一些问题进行一下总结。

　　爬虫流程可大致分为：请求网页（request），获取响应（response），解析（parse），保存（save）。

　　下面分别说下这几个过程中可以出现的问题：

　　你可以这样理解，你在浏览器输入xxjpg.com，告诉这个网站，我想看你的内容，然后网站服务器收到这个请求后，会分析这个请求是否是允许的，如果是，则返回内容给你的浏览器，以源码形式呈现。

　　可能存在的问题：

　　网络请求不成功

　　　　分析：

　　　　a.本地网络不稳定

　　　　b.网站本身服务器问题（维护，升级balabala...）

　　　　c.被封IP啦

　　针对网络请求可能出现的问题，建议都进行异常处理。因为俗话说的好，网络连接有风险，异常处理很重要。针对网络不好的情况，建议设置timeout。

　　被封IP的问题，建议使用IP代理池。免费的网上也有，不过稳定性不是很好，可以用来个人学习。如果爬取数据是商用，建议使用收费的。

二、获取网页响应

　　发送请求成功，服务器也正常得到了响应，我们就可以看下得到的源码了。

　　可能存在的问题：

　　1.无法正常显示中文或乱码

　　分析：编码的问题

　　修改编码encoding=‘utf-8’可以解决问题。当然，如果你用pycharm之类的IDE，如果IDE内没有正确设置encoding，同样会出现无法显示中文的问题，不过这时候你就不单单是爬虫爬取网页不显示中文的问题，你所有运行的程序输出都不能正常显示中文。

　　2.返回的源代码为空

　　　　分析：

　　　　a. 网站请求失败了（参见本文第一个过程）

　　　　b. 网站采取了反爬虫手段（大部分是这个原因）

　　一些常见的网站反爬措施包括审查请求头，我遇到较多的是审查User-Agent（确定是否是浏览器的行为），Referer（防止图片盗链）的，最郁闷的一次是刚开始学爬虫的时候下载了几百张叮当猫（擦....）。这两种解决方法比较简单，在请求头中伪装一下就好。

　　有一些网站，如果爬虫爬取速度过快，会封IP。建议使用IP代理池，限制爬取速度。另外还有一些网站会对cookie进行审查，如果不需要登录就能爬取的网站，考虑禁止cookie。当然，还有些网站复杂点的，要求登录验证，可以采取多个账号登录，形成一个cookie池。不过值得注意的是，cookie都是有期限的。

　　还有一种网站会用的反爬手段，就是验证码。简单的字符识别，考虑用ocr。滑动验证，考虑用selenium模拟人的动作。再复杂点的验证，真正的人都很难看清的那种。作为一个python爬虫，是不应该怕这个的，迎难而上，解决这种验证码的方法，就是，就是，求助人工打码平台（捂头。。别打脸）。当然，有人会说了，这个复杂的验证码问题自己都不能解决，太水了。其实，万物都有两面性，简单的验证码，用户体验会更好，但是安全性相对来说差一些。复杂的验证码，就正好相反了。你是不是曾经有过这样的经历，看个网站让输验证码，输来输去都是错的，让人想砸键盘。所以说，万事无绝对，爬虫也是如此。

　　当然，对于爬取难度很高的网页，还有其他的迂回路线。比如，你这个www的网站真鸡儿难爬，我就找找m站啊，wap站啊。或者有没有PC端啊，或者app啊，说不定更简单呢。

三、解析

　　很重要的一个阶段，我们最终需要的数据都需要从这里面产生，什么文本啦，图片啦，音频啦...等等。

　　可能存在的问题：解析出来的内容为空

　　a.童鞋，你确定你正则表达式写对了么，我这里正则表达式18式，500块一本要不要

　　b.妹纸，你确定css选择器写对了么，我这里有css速成指南，免费送你要不要。。诶，别走啊

　　c.骚年，你确定xpath写对了么，我这里。。

　　。。。好了，开个玩笑，其实这些东西写错是很正常的，特别是在网页dom超级恶心复杂的时候，多尝试就好。

　　如果确定表达式写的没问题，那么可能是响应（response）的问题。

　　n.获取到网页源代码并没有包含需要提取的元素，网页是js动态加载的，而这些数据在动态加载的过程中生成

　　举个例子，刷微博的时候，看到某一条微博评论数上千，但是点进去查看评论只有几十条。把评论拉到最下面，过几秒，又加载了一部分出来。这就是一个动态加载的过程。针对这种情况在请求网页的时候加上响应的参数即可。可以使用chrome浏览器F12来查看参数，也可以使用firefox的firebug插件来查看。对于参数加密的，可以考虑强行破解或者selenium模拟的方式来突破。