- A+
1.如何分析一个网页
1）：查看网页源代码中是否有我们需要的数据
2）：如果 1）中没有，抓包，分析所有的包，看看哪个包中有我们需要的数据
3）：如果 1），2）中都没有，可以使用selenium配合phantomjs解析
2.抓取工具：
1）：urllib2
2）：requests
3）：scrapy
以上三个类库或框架用于抓取数据，拿到的都是网页源代码
3.解析网页源代码
1）正则表达式
2）xpath
3）bs4
用来根据网页源代码提取我们需要的数据
4.入库
mysql、mongodb
mysql里面存储过程、事务
只要涉及到并发，不能再使用id自增的方式，应该使用UUID，一般在表中配备一个日期类型的字段
5.应对反爬机制
1）headers的使用
2）代理IP，休眠
3）ocr验证码，如果说我们不涉及登录验证码，而且是爬取的过程中出现的验证码不能被ocr识别的时候，我们最终的解决方案是 2）
如果说我们需要破解登录的验证码，
a.人工打码
b.提供前端html页面，由用户输入
c.机器训练
4）简单ocr破解之后，拿到cookie，然后携带cookie再去访问当前页面，意味我们从浏览器数据验证码以后得到的那个页面
6.cookie的使用
1）模拟用户登录，登录成功后，拿到cookie，然后携带cookie请求类似于个人主页，信息修改的页面，模拟真实浏览器的实际操作
2）应对ocr之后的cookie，模拟浏览器请求
7.分布式
1）只要涉及到高并发，通常使用分布式的解决思路，来解决问题
requests celery+rabbitmq 多进程+协程的方式来构建分布式，这个思想完全可以应用在web当中，来构建webapi
url去重时：mysql、mongodb物理表去重，redis，list
redis去重的有点：速度快，减少的是由硬盘到内存的IO操作时间，缺点在于，如果没有存入硬盘，当服务器重启的时候，所有的url将消失
2）scrapy构建分布式的时候，我们采用了scrapy-redis的理念，将所有的url存放于redis中，做url去重，也可以采用mysql、mongodb等方式用于url去重操作
