Python学习汇总，做数据采集的一些小技巧，干货满满

学习Python也有一段时间了，在学习过程中不断的练习学到的各类知识，做的最多的还是爬虫，也就是简单的数据采集，有采集图片（这个最多了。。。），有下载电影的，也有学习相关的比如ppt模板的抓取，当然也写过类似收发邮件，自动登录论坛发帖，验证码相关操作等等！

这些脚本有一个共性，都是和web相关的，总要用到获取链接的一些方法，在此总结一下，也分享给正在学习的小伙伴

安装相关

python的各个版本其实分别并不大，所以不用太纠结用3.6还是3.7.

而我们经常使用的库呢，建议大家学到什么库安装什么库

有的同学会纠结，库安装不上的问题，这个推荐大家百度搜索：python whl 第一个就是吧，在里面有各个库的各个版本，选择对应的下载回来，用pip install 文件完整路径 安装即可！

例如：pip install d:\requests_download-0.1.2-py2.py3-none-any.whl

最基本的抓站——获取源代码

import requests#导入库

html = requests.get(url)#获取源代码

html.encoding='utf-8'#指定含中文的网页源代码编码格式，具体格式一般存在于源代码的meta标签内

适用于静态网页

网站反“反爬”

大部分的网站（各类中小型网站）都会需要你的代码有headers的信息，如果没有，会直接拒绝你的访问！大型网站反而很少，尤其是门户网站，比如新浪新闻、头条图集、百度图片的爬虫，基本没有什么反爬措施，相关内容可以看看我的其他文章！

而有反爬措施的网站，大部分可以按加入UA信息——加入HOST、Referer（反盗链）信息的顺序加入到headers数据(字典格式)中来尝试！代码格式 requeststs.get(url,headers=headers)

UA信息是浏览器信息，告诉对方服务器我们是什么浏览器，平时可以收集下相关信息做个UA池，需要的时候调用就可以，也可以随机调用，防止被网站发现，注意的是如果是移动端，一定要注意移动端的网页和pc端的不一样，比如做微博爬虫，我们就比较喜欢移动端，它的反爬力度比pc端的要低很多，也提醒大家，如果一个网站反爬很厉害，你可以去看看移动端（手机登录然后复制url），也许会有惊喜！



HOST信息, 网站的主机信息，这个一般是不变的

Referer信息 ，这个就是“反盗链”的关键信息，简单的说，就是你是从哪里到当前页面的，破解也很简单，把url放到里面就行！

如果上述办法还是绕不过反爬，那么就麻烦一些，把headers里面的信息都写进去吧

终极反“反爬”：去学习selenium吧少年！

保存文件

其实可以简单的分两大类：字符串内容保存和其他内容保存！简单的2行代码就可以解决



a+为文末追加写入模式，适用于字符串内容的写入，注意排版，也可以在'a+'后面添加参数encoding='utf-8'指定保存文本的编码格式

wb为二进制写入模式，适用于找到对象的真实下载地址后用二进制方式下载文件



未完待续

篇幅有限，本来想写完的，但是有人和我说，写的太多没人看。。。这就很尴尬了！那就先写到这里吧！

也正好有时间重新整理下后面的内容，大概有：自动登录（cookie池）和保持登录、ip代理、验证码（这个是大项）以及scarpy框架的一些注意事项。

有其他技巧或者疑问的同学，也可以评论或者私信我，咱们一起讨论哦！