摘要：有什么作用通過有效的爬蟲手段批量采集數據，可以降低人工成本，提高有效數據量，給予運營銷售的數據支撐，加快產品發展。因為信息是完全公開的，所以是合法的。

網絡爬蟲也叫網絡蜘蛛，如果把互聯網比喻成一個蜘蛛網，那么蜘蛛就是在網上爬來爬去的蜘蛛，爬蟲程序通過請求url地址，根據響應的內容進行解析采集數據，
比如：如果響應內容是html，分析dom結構，進行dom解析、或者正則匹配，如果響應內容是xml/json數據，就可以轉數據對象，然后對數據進行解析。

通過有效的爬蟲手段批量采集數據，可以降低人工成本，提高有效數據量，給予運營/銷售的數據支撐，加快產品發展。

目前互聯網產品競爭激烈，業界大部分都會使用爬蟲技術對競品產品的數據進行挖掘、采集、大數據分析，這是必備手段，并且很多公司都設立了爬蟲工程師的崗位

爬蟲是利用程序進行批量爬取網頁上的公開信息，也就是前端顯示的數據信息。因為信息是完全公開的，所以是合法的。其實就像瀏覽器一樣，瀏覽器解析響應內容并渲染為頁面，而爬蟲解析響應內容采集想要的數據進行存儲。

爬蟲很難完全的制止，道高一尺魔高一丈，這是一場沒有硝煙的戰爭，碼農VS碼農
反爬蟲一些手段：

合法檢測：請求校驗(useragent，referer，接口加簽名，等)

小黑屋：IP/用戶限制請求頻率，或者直接攔截

投毒：反爬蟲高境界可以不用攔截，攔截是一時的，投毒返回虛假數據，可以誤導競品決策

... ...

基本流程

目標數據

來源地址

結構分析

實現構思

操刀編碼

基本手段

破解請求限制

請求頭設置，如：useragant為有效客戶端

控制請求頻率(根據實際情景)

IP代理

簽名/加密參數從html/cookie/js分析

破解登錄授權

請求帶上用戶cookie信息

破解驗證碼

簡單的驗證碼可以使用識圖讀驗證碼第三方庫

解析數據

HTML Dom解析

正則匹配，通過的正則表達式來匹配想要爬取的數據，如：有些數據不是在html 標簽里，而是在html的script 標簽的js變量中

使用第三方庫解析html dom，比較喜歡類jquery的庫

數據字符串

正則匹配(根據情景使用)

轉 JSON/XML 對象進行解析

python寫爬蟲的優勢

python語法易學，容易上手

社區活躍，實現方案多可參考

各種功能包豐富

少量代碼即可完成強大功能

涉及模塊包

請求

urllib

urllib2

cookielib

多線程

threading

正則

re

json解析

json

html dom解析

pyquery

beautiful soup

操作瀏覽器

selenium

斗魚主播排行

目標數據

獲取排行榜主播信息

來源地址

[排行榜地址]

https://www.douyu.com/directo...

[主播房間地址]

https://www.douyu.com/xxx

xxx=房間號

結構分析

通過抓包 [排行榜地址]，[主播房間地址] （谷歌調試network/charles/fiddler）

獲得排行數據接口：https://www.douyu.com/directo...

參數確認(去掉不必要參數)

cookie確認(去掉不必要cookie)

模擬請求(charles/fiddler/postman)

獲得主播房間信息數據

發現$ROOM是主播房間信息，在頁面的script標簽的js變量中，可使用正則工具寫表達式去匹配

實現構思

通過請求 [主播排行接口] 獲取 [排行榜數據]

[排行榜數據] 中有主播房間號，可以通過拼接獲得 [主播房間地址]

請求 [主播房間地址] 可以獲得 [$ROOM信息] ，解析可以獲得主播房間信息

操刀編碼

申明：此例子僅作為爬蟲學習DEMO，并無其他利用

基于python實現爬蟲學習基礎demo

def douyu_rank(rankName, statType):
    """
        斗魚主播排行數據抓取
        [數據地址](https://www.douyu.com/directory/rank_list/game)

        * `rankName` anchor(巨星主播榜),fans(主播粉絲榜),haoyou(土豪實力榜),user(主播壕友榜)
        * `statType` day(日),week(周),month(月)
    """
    if not isinstance(rankName, ERankName):
        raise Exception("rankName 類型錯誤，必須是ERankName枚舉")
    if not isinstance(statType, EStatType):
        raise Exception("statType 類型錯誤，必須是EStatType枚舉")

    rankName = "%sListData" % rankName.name
    statType = "%sListData" % statType.name
    # 請求獲取html源碼 
    rs = rq.get(
        "https://www.douyu.com/directory/rank_list/game",
        headers={"User-Agent": "Mozilla/5.0"})
    # 正則解析出數據
    mt = re.search(r"rankListDatas+?=(.*?);", rs, re.S)
    if (not mt):
        print u"無法解析rankListData數據"
        return
    grps = mt.groups()
    # 數據轉json
    rankListDataStr = grps[0]
    rankListData = json.loads(rankListDataStr)
    dayList = rankListData[rankName][statType]
    # 修改排序
    dayList.sort(key=lambda k: (k.get("id", 0)), reverse=False)
    return dayList


def douyu_room(romm_id):
    """
        主播房間信息解析
        [數據地址](https://www.douyu.com/xxx)
        "romm_id" 主播房號
    """
    rs = rq.get(
        ("https://www.douyu.com/%s" % romm_id),
        headers={"User-Agent": "Mozilla/5.0"})
    mt = re.search(r"$ROOMs+?=s+?({.*?});", rs, re.S)
    if (not mt):
        print u"無法解析ROOM數據"
        return
    grps = mt.groups()
    roomDataStr = grps[0]
    roomData = json.loads(roomDataStr)
    return roomData
    
def run():
    """
        測試爬蟲
    """
    datas = douyu_rank(ERankName.anchor, EStatType.month)
    print "
主播排行榜："
    for item in datas:
        room_id = item["room_id"]
        roomData = douyu_room(room_id)
        rommName = None
        if roomData is not None:
            rommName = roomData["room_name"]
        roomInfo = (u"房間(%s):%s" % (item["room_id"], rommName))
        print item["id"], item[
            "nickname"], roomInfo, "[" + item["catagory"] + "]"


run()

運行結果：

主播排行榜：

無法解析ROOM數據
1 馮提莫 房間(71017):今晚來 [英雄聯盟]
2 阿冷aleng丶 房間(2371789):又是我最喜歡的阿冷ktv時間～ [英雄聯盟]
3 勝哥002 房間(414818):勝哥：南通的雨下的我好心累。 [DNF]
4 White55開解說 房間(138286):盧本偉五五開 每天都要很強 [英雄聯盟]
5 東北大鵪鶉 房間(96291):東北大鵪鶉 宇宙第一寒冰 相聲藝術家！ [英雄聯盟]
6 老實敦厚的笑笑 房間(154537):德云色 給兄弟們賠個不是 [英雄聯盟]
7 劉飛兒faye 房間(265438):劉飛兒  月底吃雞 大吉大利 [絕地求生]
8 pigff 房間(24422):【PIGFF】借基地直播，沒OW [守望先鋒]
9 云彩上的翅膀 房間(28101):翅：還是抽天空套刺激！ [DNF]
10 yyfyyf 房間(58428):無盡的9月，殺 [DOTA2]

Demo源碼地址