答：本文邀請feifan來回答，他總結了使用python自帶庫完成爬蟲的方法，并且列出了爬蟲在實際中可能遇到的幾個問題， 教會你零基礎入門python爬蟲~

此處的爬蟲并不是百度或者google這樣需要沿著某條路徑采集互聯網上所有信息的機器人，而是針對某個特定的網頁，從中提取出我們需要的信息。比如我們在中關村上查到了一臺手機的詳情頁，想把其中的cpu信息、操作系統、分辨率等等字段提出出來。即此處的爬蟲是指針對特定網頁結構、規模很小、抓取路徑收斂的情況而言。下文我們以一個實例，看看如何從頭寫一個python爬蟲。

抓取頁面基本方法

瀏覽器中看到的頁面，實際上是通過一系列的http請求加載并渲染服務器的資源。同理只要我們能夠用python發出http請求，通過get或post的方法獲得服務器返回的html片段、html頁面或json數據串，就可以從中抓取到想要的內容。

python中對http請求的封裝是在urllib和urllib2兩個庫里。

urllib提供了一些工具方法，用于對發送請求時的字符串進行轉義或編碼。

發送get/post請求則需要用到urllib2中提供的幾個類

在掌握了如何在python中構造http請求后，下一步需要做的就是結合具體的網頁，分析出web頁面的請求方式、參數傳遞方式和必要的header信息（如cookie等）。chrome控制臺的network分析基本上可以滿足需求，但一款抓包利器無疑可以提升我們的效率。推薦使用fiddler進行抓包和解包，可以更清晰第看到http中所用的不同請求方式。

字符串查找、正則表達式、html解析

http請求的response通常包含兩種：json字符串，或html代碼片段，信息的提取就轉變成了字符串處理。此時無論是通過字符串查找、正則表達式匹配，只要能定位到目標字段即可。

但更好的方法是對html的Dom樹進行解析，尤其是存在多個目標字段需要抓取時，解析html的方式能夠對特殊格式的字段信息進行批量解析。

這里使用python自帶的htmlparser進行解析，htmlparser對html片段進行深度優先的遍歷，在遍歷的過程中可以識別出開始標簽、結束標簽和標簽中的內容，因此提供了一種基于標簽tag的編程方式。看下面的例子

需要提取手機的操作系統、核心數、cpu型號等信息，根據html的標簽、屬性名稱，代碼如下：

針對中關村上的某個手機詳細

handle_data可以提取html標簽中的數據，但handle_data存在兩個問題。

（1）當標簽內容為空時，handle_data自動跳過該標簽。這里的標簽為空是指標簽中不包含任意字符串內容、不包含其他的子標簽。注意，當標簽中含有&nb等空白字符串時，handle_data可以解析出其中的data。比如以下結構中，電話號碼一列允許為空，通過html_parser解析后只得到4個<td>的標簽內容。

由于會跳過內容為空的標簽的解析，就會打亂html的結構，由于數據的缺失返回的list長度不定，導致無法將list中每項內容與html中的內容對應起來。

（2）標簽中包含子標簽時，內容會被分割到不同的handle_data函數中，比如

由于handle_data是針對每個標簽返回數據，以上的td里包含了一個span子標簽，handle_data分為2次返回數據。即第一次調用handle_data返回狀態：，第二次調用handle_data返回已拒絕。我們希望<td>標簽中的內容作為整體返回，而現在被分割成了兩塊，同樣會破壞結構。

解決以上兩個問題的關鍵方法在于，使用cache緩存字符串，把對數據的處理從handle_data推遲到handle_endtag。只有遇到end_tag時，才能確定標簽閉合，使數據完整。

爬蟲被屏蔽后怎么辦

服務器會通過一些策略屏蔽惡意爬蟲，以避免對服務器資源的消耗，如檢查同一IP的訪問頻率、訪問間隔等。

所以我們也應該使用一些簡單策略，使我們的爬蟲看起來更像是人的行為，以繞開服務器的檢測機制。常用的方法包括延長相鄰請求的間隔，相鄰間隔使用隨機時長。

在請求的header字段中包含了user-agent字段，服務器通過檢測user-agent字段確定客戶端的類型。如果不指定user-agent字段，請求時腳本會默認填充該字段，如下圖

# python中默認的user-agent字段

網上有一些說法user-agent的值會影響爬蟲是否能夠抓取web內容，為了避免爬蟲被屏蔽，將user-agent的值設為瀏覽器的類型：Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/55.0.2883.87 Safari/537.36

但在實際抓取的幾個web站點中，user-agent的值對爬蟲被屏蔽沒有影響，在使用時不用刻意設置user-agent的值。

以上的方法都是避免爬蟲被屏蔽掉。但萬一很不幸爬蟲已經被屏蔽了，發出請求返回的結果是輸入驗證碼的頁面，此時該如何解決呢？

對于支持https協議的站點，此時可以嘗試的一種方案是：改用https協議。

項目中遇到爬蟲被百度屏蔽的現象，嘗試了很多方法都無效。后來將原來鏈接中的http協議換成https爬蟲又開始工作了。原理雖然不清楚，但簡單可行。

帶驗證碼的登錄

很多web內容只有在登錄后才有權限訪問，服務器通過創建session并下發sessionid來維持與客戶端的鏈接狀態。客戶端在每次發送請求時，都在cookie中攜帶sessionid等字段信息。sessionid是無法復用的，也即在瀏覽器中登錄后所獲得的sessionid直接拿到python腳本中使用，返回的結果仍然是跳轉到登錄頁面的。因為通過http下發的sessionid是捆綁到端口號的，也就是與服務器維持通信的是客戶端上的某個進程，把瀏覽器中的sessionid拿到python腳本中，由于更換了進程sessionid當然失效了。

既然無法繞開登錄，我們就在python腳本中完成登錄的過程，拿到登錄后返回的cookie、sessinoid等。這里有兩個難點需要解決，1）服務器登錄邏輯的分析與猜測；2）解決登錄時存在的驗證碼識別問題。

登錄除了需要post提交用戶名、密碼和sessionid之外，通常也會隱式提交部分參數，可以用chrome瀏覽器的調試模式查看post提交的參數及對應的值，登錄成功之后，我們就可以拿到返回的cookie值了。

登錄時的驗證碼可以通過OCR自動識別，嘗試了google的tesseract-ocr準確率并不高。所以推薦手動輸入驗證碼，幫助爬蟲完成登錄，畢竟授權只需要一次輸入。

手動輸入驗證碼的思路如下，在請求sessionid的同時保存驗證碼的圖片，人工讀取驗證碼的內容，與username和password一起提交。示例代碼如下：

需要抓取javascript加載的結果

詳細參考外部鏈接：https://impythonist.wordpress.com/2015/01/06/ultimate-guide-for-scraping-javascript-rendered-web-pages/

這篇文章中的思路是，通過使用web kit library建立本地的javascript執行環境，模擬瀏覽器對頁面的加載渲染，從而抓取javascript處理后的頁面內容。

這個例子中javascript所加載的結果，也是通過ajax重新向服務器發起請求返回的，直接發送ajax請求并抓取結果即可。在本地搭建javascript的執行環境有些畫蛇添足，但也是一種可以參考的思路。

本文總結了使用python自帶庫完成爬蟲的方法，并且列出了爬蟲在實際中可能遇到的幾個問題，比如爬蟲被屏蔽、需要輸入驗證碼進行登錄等。實踐中的難點在于分析和猜測服務器的登錄邏輯，并且提取必需的參數完成登錄鑒權。