一、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
二、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
- 准备刚开始能能够成功请求对方网站的cookie，即接受对方网站设置在response的cookie
- 下一次请求的时候，使用之前的列表中的cookie来请求
- 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
三、提取数据
- 确定数据位置
- 如果数据在当前的url地址中
- 提取的是列表的数据
- 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
- 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
- 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
四、保存
- 保存在本地，text，json，csv
- 保存在数据库
