尊重原創，原文鏈結
爬蟲是乙個比較容易上手的技術，也許花5分鐘看一篇文件就能爬取單個網頁上的資料。但對於大規模爬蟲，完全就是另一回事，並不是1*n這麼簡單，還會衍生出許多別的問題。
系統的大規模爬蟲流程如圖所示。
api是**官方提供的資料介面，如果通過呼叫api採集資料，則相當於在**允許的範圍內採集，這樣既不會有道德法律風險，也沒有**故意設定的障礙；不過呼叫api介面的訪問則處於**的控制中，**可以用來收費，可以用來限制訪問上限等。整體來看，如果資料採集的需求並不是很獨特，那麼有api則應優先採用呼叫api的方式。
對於html結構固定，即同樣的字段處tag、id和class名稱都相同，採用beautifulsoup解析是一種簡單高效的方案，但有的**混亂，同樣的資料在不同頁面間html結構不同，這種情況下beautifulsoup就不太好使；如果資料本身格式固定，則用正規表示式更方便。比如以下的例子，這兩個都是深圳地區某個地方的經度，但乙個頁面的class是long，乙個頁面的class是longitude，根據class來選擇就沒辦法同時滿足2個，但只要注意到深圳地區的經度都是介於113到114之間的浮點數，就可以通過正規表示式"11[3-4].\d+"來使兩個都滿足。
一般而言，爬下來的原始資料都不是清潔的，所以在入庫前要先整理；由於大部分都是字串，所以主要也就是字串的處理方式了。
如果只是中小規模的爬蟲，可以把最後的爬蟲結果匯合成一張表，最後匯出成一張**以便後續使用；但對於表數量多、單張表容量大的大規模爬蟲，再匯出成一堆零散的表就不合適了，肯定還是要放在資料庫中，既方便儲存，也方便進一步整理。
對於大規模爬蟲，效率是乙個核心問題。單個網頁爬取可能很大，一旦網頁數量級大增之後，任務量也會大增，同時方式下的耗時也會大增。沒有公司或人個願意爬個幾十萬上百萬的頁面還要等幾個月，因此優化流程、提高效率是非常必要的。
大量的頁面往往不會是結構完全一樣，而且大量的訪問也總會出現該訪問成功卻訪問不成功的情況，這些都是非常常見的狀況，因此單一的邏輯無法應對各種不可預知的問題，反映在結果上就是爬取的資料往往會有錯漏的情況。
爬蟲的固定套路也就那麼多，各種**爬取策略的不同就在於**的反爬蟲機制不同，因此多作試驗，摸清**的反爬機制，是大規模爬蟲的先行工作。爬蟲與反爬蟲是無休止的鬥爭，也是乙個見招拆招的過程，但總體來說，以下方法可以繞過常見的反爬蟲。
各種各樣的反爬機制也算是因垂斯聽，只有身經百戰，爬得多了，才能談笑風生，爬蟲水平不知道高到哪去了。有哪些有趣的反爬蟲手段？
大規模爬蟲流程總結
爬蟲是乙個比較容易上手的技術，也許花5分鐘看一篇文件就能爬取單個網頁上的資料。但對於大規模爬蟲，完全就是另一回事，並不是1 n這麼簡單，還會衍生出許多別的問題。系統的大規模爬蟲流程如圖所示。對於html結構固定，即同樣的字段處tag id和class名稱都相同，採用beautifulsoup解析是一...
大規模爬蟲流程總結
爬蟲是乙個比較容易上手的技術，也許花5分鐘看一篇文件就能爬取單個網頁上的資料。但對於大規模爬蟲，完全就是另一回事，並不是1 n這麼簡單，還會衍生出許多別的問題。系統的大規模爬蟲流程如圖所示。api是 官方提供的資料介面，如果通過呼叫api採集資料，則相當於在 允許的範圍內採集，這樣既不會有道德法律風...
大規模爬蟲的流程總結
爬蟲是乙個比較容易上手的技術，也許花5分鐘看一篇文件就能爬取單個網頁上的資料。但對於大規模爬蟲，完全就是另一回事，並不是1 n這麼簡單，還會衍生出許多別的問題。系統的大規模爬蟲流程如圖所示。api是 官方提供的資料介面，如果通過呼叫api採集資料，則相當於在 允許的範圍內採集，這樣既不會有道德法律風...