都说 python 最擅长爬虫
但实际上我以前没啥需求, 没怎么实践过
请推荐下实际生产项目中好用的爬虫框架或方案
推荐学习书目
› Learn Python the Hard Way
Python Sites
› PyPI - Python Package Index
› http://diveintopython.org/toc/index.html
› Pocoo
值得关注的项目
› PyPy
› Celery
› Jinja2
› Read the Docs
› gevent
› pyenv
› virtualenv
› Stackless Python
› Beautiful Soup
› 结巴中文分词
› Green Unicorn
› Sentry
› Shovel
› Pyflakes
› pytest
Python 编程
› pep8 Checker
Styles
› PEP 8
› Google Python Style Guide
› Code Style from The Hitchhiker's Guide
This topic created in 667 days ago, the information mentioned may be changed or developed.
 |
xiaoriri666Jan 5, 2025
1
用 Scrapy 爬虫主要还是加解密其实跟语言的关系不大
|
 |
xiebowJan 5, 2025
2
scrapy +1
|
 |
4BVL25L90W260T9UJan 5, 2025
3
爬虫不需要框架，选个 http 请求库可能更重要，比如 curl-cffi
|
 |
Emma24Jan 5, 2025
4
入门：爬过时的数据
进阶：爬已有的数据 天堂：爬实时的数据 地狱：爬没有的数据 |
 |
nyxsonsleepJan 5, 2025
5
已经有人说 scrapy 了，那我加一个 playwright
|
 |
simple2025Jan 5, 2025
6
直接硬爬?
|
 |
7
|
 |
luzihangJan 6, 2025
8
自己写脚本-->使用 feapder scrapy ……-->遇到问题具体问题，自己写脚本框架，scrapy 也用，主要看解决什么问题和开发速度而定
|
 |
Cy86Jan 6, 2025
9
我觉得 requests 应该够了吧, 直接把接口抓出来比较简单,我最近也在鼓捣爬虫练手, 你这是要爬啥网站呢
|
 |
randy552162Jan 6, 2025
10
@iorilu 你说的这些好像都跟框架没啥关系，哪个框架都要你自己处理一下这些问题
|
 |
11
其实没必要非纠结库，整个过程无非就是 构建请求-->解析数据-->存储存储。基于 aiohttp 随便玩
|
1 |
12
@randy552162 有框架能处理部分这种问题的 , 当然了, 具体还要看怎么实践, 爬虫这东西其实细节很多, 爬 10 条数据和爬 1 万条完全两回事的
|
 |
llsquaerJan 6, 2025
13
按照你这个要求其实不用框架，用框架反而增加负担，直接 requests 手撸开始。写多了，慢慢的你就写成自己的框架了。
|
 |
adaonlineJan 6, 2025
14
自己手撸起来就行了
|
 |
brianXGOGOJan 6, 2025
15
DrissionPage 好用
|
 |
fanjkJan 6, 2025
16
我基本都是 requests 直接搞，不同的项目只需要替换对应的数据处理模块就行
|
|
Cy86Jan 10, 2025
18
楼主不理我,我再捞一下, 目前我负责的爬虫抓取量每天在百万级, 月抓取量在亿级,主做舆情的
推荐: 百条用 requests 就行 几十万条有时效性就 aiohttp 同一个网站大量数据, scrapy 和 feapder 都可以 上亿条自己开发爬虫框架 你说的这几个问题: 访问限制, 需要登陆, 代理轮询, 执行 js, 错误重试 访问限制, 需要登陆: 对于反爬都是针对目标单独定制的,市面上没有能包含所有反爬的的框架 代理轮询最简单的就自己整个队列, 每次爬虫轮着取代理 ip, 对于账号绑定 IP 的,就单独开个服务针对要爬的渠道固定 IP 执行 js 可以单独作为一个服务旁运行, 需要执行的 js 扔进去只关注返回结果就好 感觉你可以说说你的整体目标是啥 |
|
19
@Cy86 感谢你的分享
我不是主做爬虫业务的 ,只是最近个人有个想法, 另外想实践下 我的目标是个国外网站, 毕竟国内网站碰了有风险, 数量也就几万到几十万之间的级别, 总之是想给自己找个项目实践下爬虫相关, 当然我的主要目的不仅仅是爬数据, 另外也想实践下我上面说的各种其他爬虫相关的技术要点 |
 |
linxiaojialinJan 24, 2025
21
@Cy86 请问一下，发起请求能跑满上行带宽的吗？用 aiohttp 单进程跑，好像也只有几 M 上行
|
 |
godallJan 26, 2025
22
@Cy86 #18 有没有处理过网页请求指纹加密的处理？比如京东的价格保护，以前直接访问 url ，然后自己浏览器登录后 cookie 保存，然后提交每天跑就行了，现在不行了，他有个 t 的时间戳，超过一定时间比如 10 小时后就无效了，必须用新的时间戳加上本机指纹数据形成一个 h5st 的数据包作为 form 表单数据才行，难道要自己破解他的加密算法？
 |
|
godallJan 26, 2025
23
对于防爬虫的网站，我发现最后只能用 seliunium 模拟浏览器访问了，就是效率太差，但其他一概都搞不定。。。。
|
 |
seadMar 1, 2025
24
@godall https://github.com/seadfeng/headless-browser-clusters
最早用无头，感觉确实效率很低， 后面再次尝试用，其实没那么糟糕；碰到硬茬逆向搞不定能有什么办法 |
Select Language