网络爬虫是一个很有趣的功能，它既能获得网络上的资源，但是它也可以带来很多的很严重的问题。我们现在常用的网络爬虫，从按尺寸划分可以分为三大类。
• 第一类是指以爬取网页或者玩转网页为主的一类爬虫，这类爬虫规模很小，获取网络的数据量也很小，它对爬取网页的速度并不敏感。针对这类的网络爬虫，我们就可以使用requests库来实现它的功能。
• 还有一类网络爬虫，他是以爬取网站或者爬取系列网站为目的。比如说我们想建立一个爬虫，他能够获得一个旅游网站的资源，那么我们就需要一个能够爬取网站规模的爬虫。我们说这样的网络爬虫是一个中规模的爬虫，它所对应的数据规模往往较大，而他对爬取速度也是很敏感的。比如说我们想去爬去携程上的数据内容，携程有很多的内容，我们爬取它如果速度不快，可能你还赶不上它携程本身数据更新的速度，那就不行了，所以在这种情况下我们要使用一类更专业的库，比如Scrapy。
• 除此之外，还有一类能够爬取全internet规模的爬虫，它规模很大，但它只有一个作用，就是建立全依赖的搜索引擎，比如说Google、百度。这样的提供搜索引擎功能的公司背后都有一个能够爬取全internet在内的所有资源的爬虫，爬起速度是非常关键的。那么这样的话从只可能定制开发而不可能有第三方库提供相关的应用。
在我们所见到的网络爬虫里，小规模的、爬取网页为主的爬虫占到了90%以上的比例。不要看这样的爬虫非常小，但是它针对特定网页或者针对一系列网页却能够发挥很大的作用。
1.爬取数据
这一步，你要明确要得到的内容是什么？是HTML源码，还是Json格式的字符串等。
(1)最基本的爬取
抓取大多数情况属于get请求，即直接从对方服务器上获取数据。
首先，Python中自带urllib及urllib2这两个模块，基本上能满足一般的页面抓取。另外，requests也是非常有用的包，与此类似的，还有httplib2等等。
import requests
url = http://current.ip.16yun.cn:802
response = requests.get(url)
content = requests.get(url).content
print("response headers:", response.headers)
print("content:", content)
此外，对于带有查询字段的url，get请求一般会将来请求的数据附在url之后，以?分割url和传输数据，多个参数用&连接。
import requests
data = {'wd':'nike', 'ie':'utf-8'}
url='https://www.baidu.com'
response = requests.get(url=url, params=data)
(2)使用爬虫代理
#! -*- encoding:utf-8 -*-
import requests
import random
# 要访问的目标页面
targetUrl = "http://httpbin.org/ip"
# 要访问的目标HTTPS页面
# targetUrl = "https://httpbin.org/ip"
# 代理服务器(产品官网 www.16yun.cn)
proxyHost = "t.16yun.cn"
proxyPort = "31111"
# 代理隧道验证信息
proxyUser = "username"
proxyPass = "password"
proxyMeta = "http://%(user)s:%(pass)s@%(host)s:%(port)s" % {
"host" : proxyHost,
"port" : proxyPort,
"user" : proxyUser,
"pass" : proxyPass,
}
# 设置 http和https访问都是用HTTP代理
proxies = {
"http" : proxyMeta,
"https" : proxyMeta,
}
# 设置IP切换头
tunnel = random.randint(1,10000)
headers = {"Proxy-Tunnel": str(tunnel)}
resp = requests.get(targetUrl, proxies=proxies, headers=headers)
print resp.status_code
print resp.text
2.对于反爬虫机制的处理
(1)时间设置
适用情况：限制频率情况。大部分网站有频率限制，比如搜索后需要一定间隔才能获取详情页面等。
我们可以用sleep方式来做出以下延迟。
import time
time.sleep(1)
(2)伪装成浏览器，或者反“反盗链”
有些网站会检查你是不是真的浏览器访问，还是机器自动访问的。这种情况，加上User-Agent，表明你是浏览器访问即可。有时还会检查是否带Referer信息还会检查你的Referer是否合法，一般再加上Referer。
User-Agent可以用亿牛云代理IP提供给的真实库，Referer的来源可以伪装成百度搜索来的。
headers = {'User-Agent':'Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/70.0.1276.73 Safari/537.36', 'Referer':'https://www.baidu.com/s?ie=utf-8&f=8&rsv_bp=1&rsv_idx=1&tn=baidu&wd=nike'}
response = requests.get(url=url, headers=headers)
爬虫程序配合爬虫代理加强版，才能长期稳定采集数据。
有疑问加站长微信联系（非本文作者）
