xpath的包含
//div[contains(@class,'i')]
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
- 准备start_url
-
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
- 如果不登录
-
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
- 确定url
- 发送请求
- 提取数据
- 返回
- 提取的是列表页的数据
-
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
- 从network中从上往下找
- 使用chrome中的过滤条件，选择出了js,css,img之外的按钮
- 使用chrome的search all file，搜索数字和英文
- 在其他的响应中，寻找数据的位置
-
- 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
- 确定数据的位置
- 保存
- 保存在本地，text,json,csv
- 保存在数据库
day05复习.png
