- 综合排序
- 最热优先
- 最新优先
- 来自专栏企鹅号快讯
6大爬虫利器，轻松搞定爬虫
今天小编就来推荐6个牛逼的爬虫利器，助你轻松搞定爬虫。 在分析爬虫的请求时，有时候仅仅依靠浏览器来跟踪请求力量太显单薄了，特别是针对移动设备的爬虫束手无策，Fiddler 简直就是移动设备上爬虫的克星，手机上如何HTTP请求都可以被Fiddler监控，有了它 比如自动打开百度： 5、Tesseract Tesseract 是一个文字识别工具，在一些复杂的爬虫情景下，服务器的反爬虫需要用户输入验证码才能进行下一步操作，而 Tesseract 可以自动识别出验证码 GtiHub地址： https://github.com/tesseract-ocr/tesseract 6、Scrapy 写爬虫用Requests只能是搞搞小项目，适合刚入门的小白学习或者是简单的业务场景 ，如果是做大规模爬虫，Scrapy 的效率、性能都是工业级别的，你无需自己造轮子。
1.2K60发布于 2018-01-11 - 来自专栏编程
《6大爬虫利器，轻松搞定爬虫》
今天小编就来推荐10个牛逼的爬虫利器，助你轻松搞定爬虫。 在分析爬虫的请求时，有时候仅仅依靠浏览器来跟踪请求力量太显单薄了，特别是针对移动设备的爬虫束手无策，Fiddler 简直就是移动设备上爬虫的克星，手机上如何HTTP请求都可以被Fiddler监控，有了它 比如自动打开百度： 5、Tesseract Tesseract 是一个文字识别工具，在一些复杂的爬虫情景下，服务器的反爬虫需要用户输入验证码才能进行下一步操作，而 Tesseract 可以自动识别出验证码 GtiHub地址：https://github.com/tesseract-ocr/tesseract 6、Scrapy 写爬虫用Requests只能是搞搞小项目，适合刚入门的小白学习或者是简单的业务场景 分布式爬虫就用Scrapy。 Python网络爬虫与数据挖掘
1.4K80发布于 2018-01-30 - 来自专栏python全栈教程专栏
爬虫学习（6）：requets使用（1）
用这里的cookie来获取网页： import requests headers={ 'Cookie':'_zap=f4cf1039-988d-4506-86b0-4a66e741c6b1 capsion_ticket|44:N2ExMGExOTQ3YWIwNGE1YzliMTc1Mzk0ZmEwMjAyYTE=|5aecaa59c17c237af06b47a7b1402eb5b996139c8a6e1d15490899fab3c17108 "; KLBRSID=031b5396d5ab406499e2ac6fe1bb1a43|1611673848|1611672766; z_c0="2|1:0|10:1611673849|4:z_c0|92 :Mi4xUkFJd0lnQUFBQUFBWU54b1VZY1pFaVlBQUFCZ0FsVk4tWDc5WUFCQmZYWFB4ZkM5Z3l6ZlRNSENUUHVhR0lmYy1B|6d89241fc554ad378bce7f27715f2a4cc63cf87028c2da1e4104423b99ee14ee "; unlock_ticket="APBUrbfKXhImAAAAYAJVTQE4EGCaxoSZiXGfIktWFZReL6J3wOaKOQ=="', 'User-Agent':'Mozilla
47020发布于 2021-10-18 - 来自专栏米扑专栏
Python 学习入门（6）—— 网页爬虫
urllib.request.urlopen(url).read() print(data) getdata() 1)、url为网址，需要加'http://' 2)、content为网页的html源码 问题： 1.1、网站禁止爬虫 , headers=headers) content = urllib2.urlopen(req).read() print content 更复杂的情况（需要登录，多线程抓取）可参考：python爬虫抓站的一些技巧总结 参考推荐： Python抓取网页&批量下载文件方法 [Python]网络爬虫（一）（系列教程） 开源python网络爬虫框架Scrapy Python之HTML的解析（网页抓取一） Python 写爬虫——抓取网页并解析HTML 详解抓取网站，模拟登陆，抓取动态网页的原理和实现（Python，C#等）
2.4K20发布于 2019-02-19 - 来自专栏TeamsSix的网络空间安全专栏
Python Scrapy 爬虫框架 | 6、继续爬虫、终止和重启任务
有时候我们不想只爬一个页面的，比如之前我只爬了主页，但是现在想把其他页面的也爬下来，这就是本文的任务。
1.1K20发布于 2019-12-31 - 来自专栏程序员的知识天地
大规模异步新闻爬虫【6】：用asyncio实现异步爬虫
到了这里，可能有小猿要问，为什么不用多线程、多进程实现爬虫呢？ 没错，多线程和多进程也可以提高前面那个同步爬虫的抓取效率，但是异步IO提高的更多，也更适合爬虫这个场景。 有了异步下载器，我们的异步爬虫就可以写起来啦～ 2. 异步新闻爬虫 跟同步爬虫一样，我们还是把整个爬虫定义为一个类，它的主要成员有： self.urlpool 网址池 self.loop 异步的事件循环 self.seesion aiohttp.ClientSession 爬虫类的相关方法，参加下面的完整实现代码： #! 如何控制hub的刷新频率，及时发现最新新闻 这是我们写新闻爬虫要考虑的一个很重要的问题，我们实现的新闻爬虫中并没有实现这个机制，小猿们来思考一下，并对手实现实现。
1.6K30发布于 2019-05-15 - 来自专栏入门到放弃之路
AI新闻爬虫：传统爬虫和XHR异步加密爬虫的碰撞
36氪和虎嗅网这两个网站新闻爬虫比较具有代表性，36氪是传统的html网页爬虫，虎嗅网是异步api加载加密的爬虫，这里就从简单的36氪讲起。 通过python的requests模块发起请求，最后解析目标数据实现36Kr AI快讯爬虫的代码开发。 如图，新闻数据通过接口请求返回json的方式渲染的，而非36Kr返回的HTML，所以虎嗅网AI新闻咨询爬虫就是一个比较常见的XHR动态加载的爬虫。 后来又打了一次断点，发现n这个变量发生了错误，在代码中，你可以看到我使用的是'hUzaABtNfDE-6UiyaYhfsmjW-8dnoyVc'。 结语这就是我使用爬虫爬取AI新闻的过程，使用了两个爬虫中比较常见的典型案例。像这种类别信息的采集，还有更优的程序设计架构。
1.6K50编辑于 2024-03-12 - 来自专栏iSharkFly
AI Bot 爬虫新势力
对使用CloudFlare的用户，可以通过控制台上的配置来查看自己的网址被AI扫描了多少次。针对模型的训练，AI也需要从互联网中不断的获取内容才能对自己进行训练。 针对上面的内容和数据来看，AI的爬取量比较大，可能会超过传统的搜索引擎。
11310编辑于 2025-11-13 - 来自专栏嘘、小点声
python网络爬虫（6）爬取数据静态
爬取静态数据并存储json import requests import chardet from bs4 import BeautifulSoup import json user_agent='Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/58.0.3029.110 Safari/537.36 SE 2.X MetaSr 1.0' headers={'User-Agent':user_
57420发布于 2019-07-31 AI 爬虫处置实操：用 EdgeOne 一键拦截 20+ 种 AI 爬虫
先说结论：如果你有一个公开可访问的网站，大概率正在被 AI 爬虫批量抓取，而你可能完全不知道。 、Bytespider、CCBot、anthropic-ai 等这些是主流 AI 爬虫的标识某些 Path 的请求量异常高（如 /sitemap.xml、/feed、全站文章页）AI 爬虫倾向于先读 sitemap 二、核心操作：一键开启 AI 爬虫处置确认有 AI 爬虫活动后，接下来开启防护。 ：> - AI 爬虫处置不影响百度蜘蛛、Googlebot 等搜索引擎爬虫——你的 SEO 不会受到任何影响> - 特征库覆盖 20+ 种主流 AI 爬虫，且持续更新> - 所有套餐（含免费版）都能用这个功能立即配置 免费获取完整报告EdgeOne AI 爬虫处置可以解决"已知 AI 爬虫"的问题。但你的站可能还面临其他安全威胁——异常高频访问、恶意扫描、CC 攻击试探等。
16110编辑于 2026-04-27- 来自专栏机器学习算法与Python学习
Python:爬虫系列笔记(6) -- 正则化表达(推荐)
6.lastgroup: 最后一个被捕获的分组的别名。如果这个分组没有别名或者没有被捕获的分组，将为None。 6.span([group]): 返回(start(group), end(group))。 7.expand(template): 将匹配到的分组代入template中然后返回。 # m.start(2): 6# m.end(2): 11# m.span(2): (6, 11)# m.expand(r'\2 \1\3'): world hello! \d+')for m in re.finditer(pattern,'one1two2three3four4'): print m.group(), ### 输出 #### 1 2 3 4 （6） 转载：静觅 » Python爬虫入门七之正则表达式
1.4K80发布于 2018-04-04 - 来自专栏若是烟花
python爬虫----（6. scrapy框架，抓取亚马逊数据）
利用xpath()分析抓取数据还是比较简单的，只是网址的跳转和递归等比较麻烦。耽误了好久，还是豆瓣好呀，URL那么的规范。唉，亚马逊URL乱七八糟的.... 可能对url理解还不够.
2.1K10发布于 2020-07-27 - 来自专栏来自GitOPEN的技术文摘
《手把手带你学爬虫──初级篇》第6课 强大的爬虫框架Scrapy
本教程所有源码下载链接：https://share.weiyun.com/5xmFeUO 密码：fzwh6g 强大的爬虫框架Scrapy 简介与安装 Scrapy是一个Python爬虫应用框架，爬取和处理结构性数据非常方便 demo执行爬虫。 、信息，操作爬虫等。 在网络爬虫中通常会把爬虫获取的HTML数据转换成XML结构，然后通过XPath解析，获取我们想要的结果。 = False； 在settings.py中，配置User-Agent： USER_AGENT = 'Mozilla/5.0 (Macintosh; Intel Mac OS X 10_13_6)
1.5K62发布于 2019-01-29 - 来自专栏分布式爬虫
6、web爬虫讲解2—urllib库爬虫—基础使用—超时设置—自动模拟http请求
利用python系统自带的urllib库写简单爬虫 urlopen()获取一个URL的html源码 read()读出html源码内容 decode("utf-8")将字节转化成字符串 #! csrf-param" content="_csrf"> <meta name="csrf-token" content="X1pZZnpKWnQAIGkLFisPFT4jLlJNIWMHHWM<em>6</em>HBBnbiwPbz4 request.urlretrieve('http://edu.51cto.com/course/8360.html', file_path) #下载这个文件保存到指定路径 urlcleanup()清除<em>爬虫</em>产生的内存
90380发布于 2019-07-04 - 来自专栏码神联盟
网络爬虫 | Java 实现 AI人工智能技术 - 网络爬虫功能
’，网络爬虫工程师又被亲切的称之为‘虫师’。 网络爬虫原理 网络爬虫原理： Web网络爬虫系统的功能是下载网页数据，为搜索引擎系统提供数据来源。 网络爬虫工作原理： 在网络爬虫的系统框架中，主过程由控制器，解析器，资源库三部分组成。 控制器的主要工作是负责给多线程中的各个爬虫线程分配工作任务。 控制器： 控制器是网络爬虫的中央控制器，它主要是负责根据系统传过来的URL链接，分配一线程，然后启动线程调用爬虫爬取网页的过程。 linkHref); } } public static void main(String[] args) { getHrefByLocal(); } } 6：
6K50发布于 2018-07-30 - 来自专栏技术探究
爬虫系列（6）数据提取--正则表达式。
在前面我们已经搞定了怎样获取页面的内容，不过还差一步，这么多杂乱的代码夹杂文字我们怎样把它提取出来整理呢？下面就开始介绍一个十分强大的工具，正则表达式！
1.5K30发布于 2019-07-10 - 来自专栏DotNet NB && CloudNative
这6种.NET爬虫组件，你都用过吗？
在.NET发中，构建网络爬虫可以帮助我们自动化抓取网页数据，从而进行数据采集、分析、或其他自动化操作。.NET拥有一系列强大的爬虫组件和库，能够简化爬虫开发，满足不同场景需求。 下面我们将介绍一些常用的C#爬虫组件，列出其优点，并提供官方文档地址，以便开发者更好地选择合适的工具。 1. HttpClient 概述：虽然 HttpClient 并非专门的爬虫库，但它是 C# 中处理 HTTP 请求的基础工具。 文档地址：https://docs.microsoft.com/en-us/dotnet/api/system.net.http.httpclient 6. 大家还有什么比较好的.NET爬虫组件，欢迎留言讨论。
1.6K00编辑于 2024-12-05 - 来自专栏Python大数据分析
这6个爬虫工具真的简单，强烈推荐！
Python大数据分析 分享Python编程、数据分析、爬虫、人工智能等 485篇原创内容 公众号 爬虫技术是数据采集的核心手段，涉及到网页请求、JS、CSS、HTML解析、逆向等技术，尤其是大型爬虫， 你可以使用Python编写爬虫代码实现数据采集，也可以使用自动化爬虫工具，这些工具对爬虫代码进行了封装，你只需要配置下参数，就可以自动进行爬虫。 这里推荐5个不错的爬虫工具，有编程类，也有自动化工具类。 当然不管什么工具都要注意合法合规，只能采集公开数据，并在网站允许的范围内使用爬虫，以下工具仅供学习参考使用。 它提供了自动网站解锁功能，能够应对动态加载、验证码、IP限制等各种反爬虫机制，而且支持如Puppeteer、Playwright和Selenium等多种爬虫工具，在亮数据内置的无界面浏览器上进行数据的采集 Python大数据分析 分享Python编程、数据分析、爬虫、人工智能等 485篇原创内容
3.7K10编辑于 2025-06-13 AI网络爬虫：搜狗图片的时间戳反爬虫应对策略
例如，如果每页显示48张图片（由 xml_len参数决定），那么第一个URL将从第8页开始（384 / 48 = 8），第二个URL从第7页开始（336 / 48 = 7），第三个URL从第6页开始（288 / 48 = 6）。 -20248c558009c911-5d0f8afe47cd75de9dcce97d6d0e92d4","index": 2,"mfid": "99a6652c227b8833","thumbHeight 0.78199702501297,"width": 870,"did": 97,"scale": 0.8769771528998243,"imgTag": "","bgColor": "#e3ddf6" 但是写了爬虫程序后，json数据爬取失败。仔细检查请求头，原来是里面加了时间戳：X-Time4p 是一个自定义的HTTP头部字段，通常用于传递与时间相关的信息。
1K10编辑于 2024-06-23- 来自专栏AgenticAI
6种AI Agent模式详解
在本文中，我们将探讨多种构建 AI 智能体结构的模式。这些模式有助于我们扩展功能、保持模块化，并更好地控制执行流程。 为什么使用多智能体模式？ 一开始，通常会采用单智能体模型。 适用于按领域或部门划分逻辑的系统 每个监督者管理一组特定任务或智能体 优势： 高度可扩展且结构清晰 各层级具备模块化控制能力 挑战： 实现复杂度较高 层级之间需要明确定义接口 适用场景： 企业级系统、多领域编排任务 6.
1.2K10编辑于 2025-07-27
腾讯云开发者
Copyright © 2013 - 2026 Tencent Cloud. All Rights Reserved. 腾讯云 版权所有
深圳市腾讯计算机系统有限公司 ICP备案/许可证号：粤B2-20090059 
粤公网安备44030502008569号
腾讯云计算（北京）有限责任公司 京ICP证150476号 | 京ICP备11018762号