腾讯云
开发者社区
文档
建议反馈
控制台
首页
学习
活动
专区
工具
TVP
最新优惠活动
文章/答案/技术大牛
搜索
搜索
关闭
发布
登录/注册
首页
学习
活动
专区
工具
TVP
最新优惠活动
返回腾讯云官网
python进阶学习
专栏成员
举报
283
文章
89031
阅读量
18
订阅数
订阅专栏
申请加入专栏
全部文章(283)
python(183)
爬虫(84)
数据(58)
代理(57)
动态代理(51)
网络爬虫(51)
网站(47)
python爬虫(34)
大数据(33)
框架(25)
tcp/ip(19)
http(16)
多线程(15)
selenium(14)
ip(14)
程序(14)
代理服务器(14)
浏览器(14)
数据库(11)
实践(10)
网络(9)
技巧(8)
scrapy(7)
数据分析(7)
验证码(7)
服务器(7)
网络安全(6)
数据可视化(6)
高并发(6)
接口(6)
异步(6)
数据挖掘(5)
java(5)
html(5)
json(5)
电商(5)
数据处理(5)
产品(5)
登录(5)
对象(5)
解决方案(5)
开发(5)
音频(5)
javascript(4)
自动化(4)
函数(4)
网页爬虫(4)
中间件(4)
scala(3)
存储(3)
分布式(3)
正则表达式(3)
kotlin(3)
app(3)
cookie(3)
curl(3)
jsoup(3)
proxy(3)
session(3)
并发(3)
工具(3)
客户端(3)
视频(3)
数据采集(3)
系统(3)
优化(3)
lua(2)
typescript(2)
symfony(2)
api(2)
搜索引擎(2)
云直播(2)
大数据解决方案(2)
编程算法(2)
https(2)
haskell(2)
amazon(2)
beautifulsoup(2)
chrome(2)
h5页面(2)
pandas(2)
phantomjs(2)
puppeteer(2)
request(2)
requests(2)
timeout(2)
xpath(2)
测试(2)
反向代理(2)
管理(2)
教程(2)
手机(2)
图表(2)
图片资源(2)
协议(2)
网络延迟(2)
数据去重(2)
ios(1)
swift(1)
c 语言(1)
php(1)
c#(1)
go(1)
vue.js(1)
node.js(1)
xml(1)
css(1)
ajax(1)
android(1)
硬件开发(1)
云数据库 SQL Server(1)
nosql(1)
django(1)
linux(1)
深度学习(1)
访问管理(1)
云数据库 MongoDB(1)
大数据处理套件 TBDS(1)
大数据可视交互系统(1)
金融(1)
数据安全(1)
hadoop(1)
numpy(1)
自动化测试(1)
迁移学习(1)
微信(1)
实时数据集成(1)
商标注册(1)
生活互联(1)
汽车(1)
agent(1)
aiohttp(1)
asihttprequest(1)
axios(1)
charles(1)
cheerio(1)
com(1)
firefox(1)
graphql(1)
httpclient(1)
http-status-code-301(1)
import(1)
libcurl(1)
nltk(1)
nodejs爬虫(1)
nutch(1)
pymysql(1)
pyspider(1)
python3(1)
sleep(1)
spyder(1)
time(1)
token(1)
url(1)
urllib(1)
user-agent(1)
web(1)
webdriver(1)
百度(1)
报表工具(1)
编程(1)
表单(1)
表格(1)
布局(1)
程序员(1)
定时任务(1)
高德地图(1)
工作(1)
后端(1)
基础(1)
计算机(1)
开发经验(1)
开发者(1)
连接(1)
量化(1)
模型(1)
逆向工程(1)
配置(1)
前端(1)
日志分析(1)
入门(1)
数据存储(1)
搜索(1)
微信公众号(1)
线程池(1)
效率(1)
异步编程(1)
异常(1)
异常处理(1)
音视频(1)
原理(1)
字符串(1)
数据库API(1)
数据缓存(1)
数据流(1)
搜索文章
搜索
搜索
关闭
使用Colly库进行高效的网络爬虫开发
异步
爬虫
开发
网络爬虫
协议
随着互联网技术的飞速发展,网络数据已成为信息获取的重要来源。网络爬虫作为自动获取网页内容的工具,在数据分析、市场研究、信息聚合等领域发挥着重要作用。本文将介绍如何使用Go语言中的Colly库来开发高效的网络爬虫。
小白学大数据
2024-06-29
58
0
Swift网络爬虫与数据可视化的结合
swift
爬虫
数据可视化
数据
网络爬虫
网络爬虫,又称为网页蜘蛛或网络机器人,是一种自动获取网页内容的程序。它按照一定的算法顺序访问网页,获取所需信息,并存储于本地或数据库中。网络爬虫在搜索引擎、数据挖掘、市场分析等领域有着广泛的应用。
小白学大数据
2024-06-28
91
0
Puppeteer实战指南:自动化抓取网页中的图片资源
puppeteer
代理
浏览器
图片资源
自动化
Puppeteer是Google Chrome团队开发的一个Node库,它提供了一个高级API来控制Chrome或Chromium浏览器。Puppeteer可以进行网页自动化操作,包括导航、屏幕截图、生成PDF、捕获网络活动等。
小白学大数据
2024-06-28
136
0
从爬取到分析:Faraday爬取Amazon音频后的数据处理
数据处理
amazon
数据
音频
爬虫
Faraday是一个简单、灵活的高级爬虫框架,支持多种编程语言。它提供了一套丰富的API,允许开发者快速构建复杂的爬虫应用。Faraday的主要特点包括:
小白学大数据
2024-06-28
70
0
深入Node.js:实现网易云音乐数据自动化抓取
爬虫
模型
数据
数据库
自动化
Node.js是一个基于Chrome V8引擎的JavaScript运行环境,它允许开发者在服务器端运行JavaScript代码。Node.js的非阻塞I/O模型使其在处理大量并发连接时表现出色,非常适合构建高性能的网络应用。
小白学大数据
2024-06-19
62
0
Web数据提取:Python中BeautifulSoup与htmltab的结合使用
数据
python
beautifulsoup
web
表格
Web数据提取,通常被称为Web Scraping或Web Crawling,是指从网页中自动提取信息的过程。这项技术在市场研究、数据分析、信息聚合等多个领域都有广泛的应用。Python社区提供了丰富的工具和库来支持这一技术,其中BeautifulSoup和htmltab是两个非常有用的库。
小白学大数据
2024-06-18
105
0
Kotlin Fuel库:图像下载过程中的异常处理
kotlin
代理
网络
异常
异常处理
Fuel是一个纯Kotlin编写的HTTP客户端库,它提供了一种简洁的API来发送HTTP请求。Fuel支持同步和异步请求,并且可以轻松地处理JSON、XML和二进制数据。Fuel的设计理念是简单性,它通过链式调用和扩展函数简化了HTTP请求的构建过程。
小白学大数据
2024-06-15
52
0
使用TypeScript创建高效HTTP代理请求
代理服务器
函数
typescript
http
代理
首先,让我们来了解一下什么是HTTP代理请求。在网络通信中,代理是一种充当中间人的服务器,它可以接收客户端的请求并将其转发给目标服务器,然后将目标服务器的响应返回给客户端。而HTTP代理则是一种特殊的代理服务器,它使用HTTP协议来与客户端和服务器进行通信。
小白学大数据
2024-06-13
69
0
爬取京东商品图片的Python实现方法
爬虫
程序
代理
网络爬虫
python
在数据驱动的商业环境中,网络爬虫技术已成为获取信息的重要手段。京东作为中国领先的电商平台,拥有海量的商品信息和图片资源。本文将详细介绍如何使用Python编写爬虫程序,爬取京东商品的图片,并提供完整的代码实现过程。
小白学大数据
2024-06-12
96
0
数据采集-Scrapy框架使用代理IP要点
scrapy
ip
代理
框架
数据采集
scrapy框架通过模块化的设计实现了数据采集的通用功能接口,并提供自定义拓展,它将程序员从繁冗的流程式重复劳动中解放出来,给编程人员提供了灵活简便的基础构建,对于普通的网页数据采集,编程人员只需要将主要精力投入在网站数据分析和网站反爬策略分析上,结合代理IP的使用,可以实现项目的高效快速启动。 主要特性包括: 1)参数化设置请求并发数,自动异步执行 2)支持xpath,简洁高效 3)支持自定义中间件middleware 4)支持采集源列表 5)支持独立调试,方便 shell 方式 6)支持数据管道接口定义,用户可以选择文本、数据库等多种方式 在Scrapy框架中使用代理的方式有如下几种: 1.scrapy中间件 在项目中新建middlewares.py文件(./项目名/middlewares.py),内容如下: #! -- encoding:utf-8 -- import base64 import sys import random PY3 = sys.version_info[0] >= 3 def base64ify(bytes_or_str): if PY3 and isinstance(bytes_or_str, str): input_bytes = bytes_or_str.encode(‘utf8’) else: input_bytes = bytes_or_str output_bytes = base64.urlsafe_b64encode(input_bytes) if PY3: return output_bytes.decode(‘ascii’) else: return output_bytes class ProxyMiddleware(object): def process_request(self, request, spider): # 代理服务器(产品官网 www.16yun.cn) proxyHost = “t.16yun.cn” proxyPort = “31111” # 代理验证信息 proxyUser = “username” proxyPass = “password” request.meta[‘proxy’] = “http://{0}:{1}”.format(proxyHost,proxyPort) # 添加验证头 encoded_user_pass = base64ify(proxyUser + “:” + proxyPass) request.headers[‘Proxy-Authorization’] = 'Basic ’ + encoded_user_pass # 设置IP切换头(根据需求) tunnel = random.randint(1,10000) request.headers[‘Proxy-Tunnel’] = str(tunnel) 修改项目配置文件 (./项目名/settings.py) DOWNLOADER_MIDDLEWARES = { ‘项目名.middlewares.ProxyMiddleware’: 100, } 2.scrapy环境变量 通过设置环境变量,来使用爬虫代理(Windows) C:>set http_proxy=http://username:password@ip:port
小白学大数据
2024-06-08
67
0
如何判断代理IP使用成功
爬虫
ip
程序
代理
网站
当爬虫程序或采集软件配置代理之后,如何判断代理IP使用成功了呢?可以使用查询IP地址这类网站进行协助,例如使用代理IP去搜索百度IP或者访问https://www.ip138.com,这类网站会将HTTP请求的来源IP获取并通过HTTP内容返回,因此如果代理IP转发成功,目标网站返回的内容就应该是代理IP地址。一般会有下面几种情况: 1、代理直接转发 只要将返回的IP地址复制进入百度IP或者https://www.ip138.com进行检查,如果是爬虫服务器的IP地址表示代理IP转发失败,否则就表示代理IP转发成功。 2、代理多次转发 查询IP地址网站返回的内容,既不是爬虫服务器的IP地址,也不是爬虫程序或采集软件直接使用的代理IP地址,而是经过代理IP多次转发后,最后请求IP地址网站的代理IP地址。 3、代理自动转发 部分代理IP产品,会根据爬虫程序或采集软件的每个HTTP请求,自动分配不同的代理IP进行转发,出现每一次查询获取的IP地址都不一样,这样就能在数据采集的过程中,突破目标网站的IP限制行为。要注意这其中又会出现更复杂的情况是,部分IP查询网站会按照cookie等信息直接缓存返回内容,即使代理IP每次请求都会转发不同IP,这类IP查询网站也会返回重复的IP地址,造成代理IP自动转发失败的假象,下面提供demo 示例如下:
小白学大数据
2024-06-08
68
0
python3和scrapy使用隧道代理问题以及代码
python3
测试
代理
浏览器
scrapy
最近有个项目需要爬取药监局数据,对方有ip屏蔽机制。所以我需要在scrapy中实现ip自动切换,才能够完成爬取任务。在此之前,我先使用过第三方库scrapy-proxys加上代理api接口,可能是代码没有完善好,导致测试没有成功。 所以这次选择使用隧道的方式来测试看下,使用的是python3和scrapy库一起测试看下效果。
小白学大数据
2024-06-08
54
0
爬取需要登录的网站
登录
服务器
网站
验证码
代理
爬虫在采集网站的过程中,部分数据价值较高的网站,会限制访客的访问行为。这种时候建议通过登录的方式,获取目标网站的cookie,然后再使用cookie配合代理IP进行数据采集分析。 1 使用表单登陆 这种情况属于post请求,即先向服务器发送表单数据,服务器再将返回的cookie存入本地。
小白学大数据
2024-06-08
76
0
爬虫代理的数据缓存及网络延迟
爬虫
代理
服务器
网络延迟
数据缓存
为了提高客户的爬虫采集效率,降低目标服务器的反爬风险,一般爬虫代理关闭了目标服务器的缓存特性,每一次用户请求都真实进行转发,避免了服务器或防火墙因为反爬而出现的返回缓存数据,从而导致采集数据失真的情况。 当研发进行爬虫代理对比测试的时候,可能会发现一个现象,有一些爬虫代理每次请求的延迟都很稳定,而另外一部分爬虫代理产品会出现第一次HTTP请求延迟很高,接下来大量的请求延迟非常低(甚至低于服务器响应时间)的假象,如下图
小白学大数据
2024-06-08
61
0
python如何抓取微博定时热搜
python
网站
产品
代理
手机
不知道大家在工作无聊时,是不是总想掏出手机,刷刷微博看下热搜在讨论什么有趣的话题,但又不方便直接打开微博浏览,今天就和大家分享一个有趣的小爬虫,那就是如何定时采集微博热搜榜&热评,下具体的实现方法我们接下来慢慢讲。首先我们需要找到微博排行、热度、标题,以及详情页的链接。热搜首页链接https://weibo.com/hot/search我们通过这个链接获取500条数据,热搜榜采集代码, 然后发起请求,简单的代码如下<?php // 要访问的目标页面
小白学大数据
2024-06-08
103
0
如何使用Python爬虫清洗和处理摘要的数据
数据
python
爬虫
数据分析
代理
通过本文的探索,读者将了解数据清理在数据分析中的重要性,以及如何使用Python爬虫清理和处理抓取的数据。读者将学会使用Python中常用的数据处理库和技巧,提高数据的质量希望本文能够帮助读者更好地应对数据清理的挑战,从而实现更准确和有意义的数据分析。
小白学大数据
2024-06-08
94
0
在Objective-C中使用ASIHTTPRequest发送HTTP请求并获取HTML内容
html
网站
http
asihttprequest
数据
接下来,我们创建一个ASIHTTPRequest对象,并设置请求的URL和HTTP方法为GET:
小白学大数据
2024-06-08
87
0
Python 网络爬虫技巧分享:优化 Selenium 滚动加载网易新闻策略
优化
python
selenium
技巧
网络爬虫
网络爬虫在数据采集和信息获取方面发挥着重要作用,而滚动加载则是许多网站常用的页面加载方式之一。针对网易新闻这样采用滚动加载的网站,如何优化爬虫策略以提高效率和准确性是一个关键问题。本文将分享如何利用 Python 中的 Selenium 库优化滚动加载网易新闻的爬虫策略,以便更高效地获取所需信息。
小白学大数据
2024-06-08
73
0
使用Selenium爬取目标网站被识别的解决之法
爬虫
selenium
浏览器
数据
网站
在进行网络数据抓取和爬取时,Selenium是一个常用的工具,它可以模拟人类用户的行为,自动化地操作浏览器进行页面的访问和数据的提取。然而,随着网站对爬虫的检测能力不断提升,很多爬虫程序在运行过程中经常会遭遇被目标网站识别的问题,导致爬取失败或者被封禁。本文将介绍Selenium爬虫技术的概述、优势,以及一些应对被识别的解决方案。
小白学大数据
2024-06-08
124
0
网页爬虫开发:使用Scala和PhantomJS访问知乎
爬虫
phantomjs
开发
网页爬虫
scala
随着大数据时代的到来,网页爬虫作为一种高效的数据收集工具,被广泛应用于互联网数据抓取和信息抽取。而知乎是一个知识分享平台,拥有大量的用户生成内容。通过爬虫获取知乎数据,企业和研究人员可以进行深入的数据分析和市场研究,了解用户的需求、兴趣和行为模式,从而为产品开发、市场定位和营销策略提供数据支持。本文将介绍如何使用Scala编程语言结合PhantomJS无头浏览器,开发一个简单的网页爬虫,以访问并抓取知乎网站上的数据。
小白学大数据
2024-06-08
93
0
点击加载更多
社区活动
AI代码助手快速上手训练营
鹅厂大牛带你玩转AI智能结对编程
立即学习
Python精品学习库
代码在线跑,知识轻松学
立即查看
博客搬家 | 分享价值百万资源包
自行/邀约他人一键搬运博客,速成社区影响力并领取好礼
立即体验
技术创作特训营·精选知识专栏
往期视频·千货材料·成员作品 最新动态
立即查看
领券
问题归档
专栏文章
快讯文章归档
关键词归档
开发者手册归档
开发者手册 Section 归档