写爬虫程序应该注意的问题

我们知道，网络爬虫是一种按照一定的规则，自动地抓取网站信息的程序或者脚本。那么，我们怎么通过网络爬虫获取所需要的网站信息呢？
不同的网站有不同的规则，爬虫工程师根据这些规则设计不同的网络爬虫，以此来顺利获取所需要的信息。
一、开放API的网站
一个网如果开放了API，那么就可以直接GET到它的json数据。有三种方法可以判断一个网站是否开放了API。
1、在站内寻找API入口；
2、用搜索引擎搜索“某网站API”；
3、抓包，有的网站虽然用到了ajax，但是通过抓包还是能够获取XHR里的json数据的（可用抓包工具抓包，也可以通过浏览器按F12抓包：F12-Network-F5刷新）。
二、不开放API的网站
1、如果网站是静态页面，那么可以用requests库发送请求，再通过HTML解析库（lxml、parsel等）来解析响应的text；解析库强烈推荐parsel，不仅语法和css选择器类似，而且速度也挺快，Scrapy用的就是它。
2、如果网站是动态页面，可以先用selenium来渲染JS，再用HTML解析库来解析driver的page_source。
三、反爬虫网站
很多网站都具有反爬虫策略，常见的有：验证码、登陆、限制IP等。
1、验证码。可以利用打码平台破解（如果硬上的话用opencv或keras训练图）；
2、登陆。利用requests的post或者selenium模拟用户进行模拟登陆；
3、限制IP。购买亿牛云代理IP（免费IP效果非常差，不建议使用）。

原文地址：https://blog.51cto.com/14400115/2419038