最近想搞个爬虫爬点东西, 目前 Python 那个框架最好用呢

[iorilu]

都说 python 最擅长爬虫

但实际上我以前没啥需求, 没怎么实践过

请推荐下实际生产项目中好用的爬虫框架或方案

[xiaoriri666]

用 Scrapy 爬虫主要还是加解密其实跟语言的关系不大

[xiebow]

scrapy +1

[ospider]

爬虫不需要框架，选个 http 请求库可能更重要，比如 curl-cffi

[Emma24]

入门：爬过时的数据
进阶：爬已有的数据
天堂：爬实时的数据
地狱：爬没有的数据

[nyxsonsleep]

已经有人说 scrapy 了，那我加一个 playwright

[chenqh]

直接硬爬?

[iorilu]

@ospider 爬虫重点是处理一些和爬数据无关的东西, 比如可能要突破一些访问限制, 需要登陆, 代理轮询, 执行 js, 错误重试等等

所以我希望有开发过大型实际爬虫项目的说说经验

[luzihang]

自己写脚本-->使用 feapder scrapy ……-->遇到问题具体问题，自己写脚本框架，scrapy 也用，主要看解决什么问题和开发速度而定

[Cy86]

我觉得 requests 应该够了吧, 直接把接口抓出来比较简单,我最近也在鼓捣爬虫练手, 你这是要爬啥网站呢

[randy552162]

@iorilu 你说的这些好像都跟框架没啥关系，哪个框架都要你自己处理一下这些问题

[yinft]

其实没必要非纠结库，整个过程无非就是 构建请求-->解析数据-->存储存储。基于 aiohttp 随便玩

[iorilu]

@randy552162 有框架能处理部分这种问题的 , 当然了, 具体还要看怎么实践, 爬虫这东西其实细节很多, 爬 10 条数据和爬 1 万条完全两回事的

[llsquaer]

按照你这个要求其实不用框架，用框架反而增加负担，直接 requests 手撸开始。写多了，慢慢的你就写成自己的框架了。

[adaonline]

自己手撸起来就行了

[brianXGOGO]

DrissionPage 好用

[fanjk]

我基本都是 requests 直接搞，不同的项目只需要替换对应的数据处理模块就行

[iorilu]

@fanjk 那你除了抓数据用 requests 其他还用什么爬虫相关框架或库吗, 还是说全部自己开发的

[Cy86]

楼主不理我,我再捞一下, 目前我负责的爬虫抓取量每天在百万级, 月抓取量在亿级,主做舆情的
推荐:
百条用 requests 就行
几十万条有时效性就 aiohttp
同一个网站大量数据, scrapy 和 feapder 都可以
上亿条自己开发爬虫框架
你说的这几个问题: 访问限制, 需要登陆, 代理轮询, 执行 js, 错误重试
访问限制, 需要登陆: 对于反爬都是针对目标单独定制的,市面上没有能包含所有反爬的的框架
代理轮询最简单的就自己整个队列, 每次爬虫轮着取代理 ip, 对于账号绑定 IP 的,就单独开个服务针对要爬的渠道固定 IP
执行 js 可以单独作为一个服务旁运行, 需要执行的 js 扔进去只关注返回结果就好

感觉你可以说说你的整体目标是啥

[iorilu]

@Cy86 感谢你的分享

我不是主做爬虫业务的 ,只是最近个人有个想法, 另外想实践下

我的目标是个国外网站, 毕竟国内网站碰了有风险, 数量也就几万到几十万之间的级别, 总之是想给自己找个项目实践下爬虫相关, 当然我的主要目的不仅仅是爬数据, 另外也想实践下我上面说的各种其他爬虫相关的技术要点

[Cy86]

@iorilu 那还是得上手干, 遇到问题处理完了之后再总结出一个通用方案, 爬虫最需要考虑的是反爬, 其他的都比较简单,没太多需要考虑的

[linxiaojialin]

@Cy86 请问一下，发起请求能跑满上行带宽的吗？用 aiohttp 单进程跑，好像也只有几 M 上行

[godall]

@Cy86 #18 有没有处理过网页请求指纹加密的处理？比如京东的价格保护，以前直接访问 url ，然后自己浏览器登录后 cookie 保存，然后提交每天跑就行了，现在不行了，他有个 t 的时间戳，超过一定时间比如 10 小时后就无效了，必须用新的时间戳加上本机指纹数据形成一个 h5st 的数据包作为 form 表单数据才行，难道要自己破解他的加密算法？

[godall]

对于防爬虫的网站，我发现最后只能用 seliunium 模拟浏览器访问了，就是效率太差，但其他一概都搞不定。。。。