python爬蟲采集中會遇到哪些問題

這篇文章將為大家詳細講解有關(guān)python爬蟲采集中會遇到哪些問題，小編覺得挺實用的，因此分享給大家做個參考，希望大家閱讀完這篇文章后可以有所收獲。

1、需要帶著cookie信息訪問，比如大多數(shù)的社交化軟件，基本上都是需要用戶登錄之后，才能看到有價值的東西，其實很簡單，我們可以使用Python提供的cookielib模塊，實現(xiàn)每次訪問都帶著源網(wǎng)站給的cookie信息去訪問，這樣只要我們成功模擬了登錄，爬蟲處于登錄狀態(tài)，那么我們就可以采集到登錄用戶看到的一切信息了。下面是使用cookie對httpRequest()方法的修改：

ckjar = cookielib.MozillaCookieJar()
cookies = urllib2.HTTPCookieProcessor(ckjar)     #定義cookies對象
def httpRequest(url):
  '''''
  @summary: 網(wǎng)絡(luò)請求
  '''
  try:
    ret = None
    SockFile = None
    request = urllib2.Request(url)
    request.add_header('User-Agent', 'Mozilla/4.0 (compatible; MSIE 6.0; Windows NT 5.2; SV1; .NET CLR 1.1.4322)')
    request.add_header('Pragma', 'no-cache')
    opener = urllib2.build_opener(cookies)    #傳遞cookies對象
    SockFile = opener.open(request)
    ret = SockFile.read()
  finally:
    if SockFile:
      SockFile.close()
      
  return ret

2、編碼問題。網(wǎng)站目前最多的兩種編碼：utf-8，或者gbk，當(dāng)我們采集回來源網(wǎng)站編碼和我們數(shù)據(jù)庫存儲的編碼不一致時，比如http://163.com的編碼使用的是gbk，而我們需要存儲的是utf-8編碼的數(shù)據(jù)，那么我們可以使用Python中提供的encode()和decode()方法進行轉(zhuǎn)換，比如：

content = content.decode('gbk', 'ignore')   #將gbk編碼轉(zhuǎn)為unicode編碼
content = content.encode('utf-8', 'ignore')  #將unicode編碼轉(zhuǎn)為utf-8編碼

中間出現(xiàn)了unicode編碼，我們需要轉(zhuǎn)為中間編碼unicode，才能向gbk或者utf-8轉(zhuǎn)換。

3、網(wǎng)頁中標(biāo)簽不完整，比如有些源代碼中出現(xiàn)了起始標(biāo)簽，但沒有結(jié)束標(biāo)簽，HTML標(biāo)簽不完整，就會影響我們抓取結(jié)構(gòu)化數(shù)據(jù)，我們可以通過Python的BeautifulSoup模塊，先對源代碼進行清洗，再分析獲取內(nèi)容。

4、某些網(wǎng)站使用JS來生存網(wǎng)頁內(nèi)容。當(dāng)我們直接查看源代碼的時候，發(fā)現(xiàn)是一堆讓人頭疼的JS代碼?？梢允褂胢ozilla、webkit等可以解析瀏覽器的工具包解析js、ajax，雖然速度會稍微慢點。

5、圖片是flash形式存在的。當(dāng)圖片中的內(nèi)容是文字或者數(shù)字組成的字符，那這個就比較好辦，我們只要利用ocr技術(shù)，就能實現(xiàn)自動識別了，但是如果是flash鏈接，我們將整個URL存儲起來了。

6、一個網(wǎng)頁出現(xiàn)多個網(wǎng)頁結(jié)構(gòu)的情況，這樣我們?nèi)绻皇且惶鬃ト∫?guī)則，那肯定不行，所以需要配置多套模擬進行協(xié)助配合抓取。

7、應(yīng)對源網(wǎng)站的監(jiān)控。抓取別人的東西，畢竟是不太好的事情，所以一般網(wǎng)站都會有針對爬蟲禁止訪問的限制。一個好的采集系統(tǒng)，應(yīng)該是，不管我們的目標(biāo)數(shù)據(jù)在何處，只要是用戶能夠看到的，我們都能采集回來。所見即所得的無阻攔式采集，無論是否需要登錄的數(shù)據(jù)都能夠順利采集。大部分有價值的信息，一般都需要登錄才能看到，比如社交網(wǎng)站，為了應(yīng)對登錄的網(wǎng)站要有模擬用戶登錄的爬蟲系統(tǒng)，才能正常獲取數(shù)據(jù)。不過社會化網(wǎng)站都希望自己形成一個閉環(huán)，不愿意把數(shù)據(jù)放到站外，這種系統(tǒng)也不會像新聞等內(nèi)容那么開放的讓人獲取。這些社會化網(wǎng)站大部分會采取一些限制防止機器人爬蟲系統(tǒng)爬取數(shù)據(jù)，一般一個賬號爬取不了多久就會被檢測出來被禁止訪問了。那是不是我們就不能爬取這些網(wǎng)站的數(shù)據(jù)呢？肯定不是這樣的，只要社會化網(wǎng)站不關(guān)閉網(wǎng)頁訪問，正常人能夠訪問的數(shù)據(jù)，我們也能訪問。說到底就是模擬人的正常行為操作，專業(yè)一點叫“反監(jiān)控”。

關(guān)于python爬蟲采集中會遇到哪些問題就分享到這里了，希望以上內(nèi)容可以對大家有一定的幫助，可以學(xué)到更多知識。如果覺得文章不錯，可以把它分享出去讓更多的人看到。