python学习之----爬取数据

网页基本了解

-- 参考链接：https://morvanzhou.github.io/tutorials/data-manipulation/scraping/1-01-understand-website/

网页的基本了解

1.html格式，配合CSS和javascript显示出来，所以我们主要从html提取网页。
2.head + body = html
3.head 不显示，是在里面，所以我们一般都是爬取body的信息
4.没有css的话网页是很丑陋的，css的class用来同意修改格式的文字，更加方便，不同的class样式不同。

正则表达+beautiful soup

1.这两个结合可以让我们更好的筛选从网页上爬到的信息，beautiful soup一般都会有tag，我们通过tag来阅读，而正则的出现则是我们更好的筛选出我们想要的信息

Request的使用更好的进入网站

参考链接

1.post的使用，一般都是来和网站交互的使用，一般会提交一些数据给我们的服务器的网站。所以比如我们登陆账号等一般都会用到post这类的。个性化信息，自己发到服务器，然后服务器根据信息返回结果给你，比如你登陆知乎，就是专门属于你的名称和图标。-
2.get的使用，一般则是只有浏览的功能，但是没有任何的数据交互。

3.关于user-agent的问题：
参考链接

爬虫是自动的爬取网站信息，实质上我们也只是一段代码，并不是真正的浏览器用户，加上User-Agent（用户代理，简称UA）信息，只是让我们伪装成一个浏览器用户去访问网站，然而一个用户频繁的访问一个网站很容易被察觉，既然我们可以伪装成浏览器，那么也同样可以通过UA信息来变换我们的身份。

更快地爬取数据：

这里我们分别有多进程，和异步来处理，这两者都是我们可以考虑的，进程的话就是用multiprocessing，但是不能用多线程，因为pyhon的多线程是不管用的，因为python的一些机制。多进程的话，就是设置好进程数就差不多了。

但是这里可以用异步来处理。异步的概念，其实在很多地方也会使用，也就是尽量的利用好等待的时间，让等待的时间去做其他的事情，重复的利用好每一秒钟就是异步的道理，异步的话除了asycnio还可以用gevent，后者更加简单。

gevent参考链接，gevent是携程，这里要注意下。

如何更好的不被反爬虫

使用selenium更好的反爬虫，这个的话会模拟人们正常的点击网页，从而有更多的操作，同时也避免被服务器发现是在爬取数据。

1.第一步是设置好selenium的参数
参考链接
参考链接2
参考链接3

2.如何定位信息：
参考链接1