记录编写爬虫中遇到的一些坑

1. 或许会持续更新（咕咕咕）
2. 遇到的问题会分类总结

使用的Python库

• requests：用于最基本的发送HTTP请求，包括get请求和post请求
• bs4：将获得的HTTP响应体进行格式化组织，从而能够进行多种检索
• re：对检索到的标签更细化地提取信息
• ThreadPoolExecutor, ProcessPoolExecutor：多线程与多进程，提高爬取速度
• 其他库：os、time等等，用于其他各种非主要用途

反爬虫绕过

请求头

• 一些网站会检测HTTP请求头里的信息，从而判断是否是爬虫访问。此时需要对请求头进行伪装。
  • 使用浏览器自带的F12，查看每一次HTTP连接的请求头，复制到代码里并将其手动转换成字典形式的header
  • 在使用requests发送请求时，带上参数headers=，r=requests.get(url, headers=header)；header必须是dict，这样可以在请求时带上给定的请求头

cookies

请求速度

• 过快的请求速度（明显超过一般浏览速度的请求）可能会被网站监测并被ban掉ip或是限制访问
  • 使用time.sleep(random.randint(a,b))来暂停一个随机时间
  • 使用IP代理，在requests请求时，带上参数proxies=proxy，proxy应该是一个dict，形式为{“ip”:”port”}，可以有多个IP代理

字符编码问题

HTTP响应体的编码

• 自动化解决方案：

import requests
r = requests.get(url)
r.encoding = r.apparent_encoding

这种方法自动猜测可能的编码方式，并用这种编码方式编码响应体。但是猜测会存在一定的错误，自动选择编码方式会无法编码某些特殊的字符，比如简体中文、繁体中文

• 手动选择编码方式：
  在请求到的html文件首部，一般会有对本文件编码方式的声明，例如<meta http-equiv="Content-Type" content="text/html; charset=gbk">里的charset字符集为gbk。此时，r.encoding="gbk"就可以选择gbk编码

读写文件的编码

• Python文件默认的是unicode编码，有时候会出现unicode字符集无法编码一些特定字符，报unicode错误
  • 在open()时，带上encoding=参数，指定编码方式encoding="utf-8"，即可解决

网络问题

HTTPS验证

• 一些使用HTTPS的网站在访问时，需要进行HTTPS验证，可以在requests请求时指定verify="pathofCAbundle"参数来使用本地证书验证，也可以简单指定为verify=False不进行验证
• 关掉验证后urllib3会报一个warning，使用urllib3.disable_warnings(urllib3.exceptions.InsecureRequestWarning)关掉这个警告

网络延迟重试

• 使用requests.DEFAULT_RETRIES = 10来修改requests库默认的重试次数，在网络状况不佳或是对方服务器性能不高导致请求失败时使用

流式文件下载

• 在requests请求时带上stream=True，实现流式下载，在请求大文件时使用

并发问题

简单使用ThreadPoolExecutor即可解决。

from future import ThreadPoolExecutor
with ThreadPoolExecutor(max_workers=int) as pool:  # 声明了一个线程池
    pool.map(func, 可迭代数据结构如list)

需要考虑对临界区资源进行加锁，可以使用l=threading.lock()来声明一个锁，l.acquire()来加锁，l.release()来解锁