ECommerceCrawlers
多种电商商品数据🐍爬虫，整理收集爬虫练习。通过实战项目练习解决一般爬虫中遇到的问题。
通过每个项目的readme，了解爬取过程分析。
对于精通爬虫的pyer，这将是一个很好的例子减少重复收集轮子的过程。项目经常更新维护，确保即下即用，减少爬取的时间。
对于小白通过✍️实战项目，了解爬虫的从无到有。爬虫过程的分析可以移步项目wiki。爬虫可能是一件非常复杂、技术门槛很高的事情，但掌握正确的方法，在短时间内做到能够爬取主流网站的数据，其实非常容易实现，但建议从一开始就要有一个具体的目标。
在目标的驱动下，你的学习才会更加精准和高效。那些所有你认为必须的前置知识，都是可以在完成目标的过程中学到的😁😁😁。
欢迎大家对本项目的不足加以指正，Issues或者Pr
在之前上传的大文件贯穿了3/4的commits，发现每次clone达到100M，这与我们最初的想法违背，我们不能很有效的删除每一个文件（太懒），将重新进行初始化仓库的commit。并在今后不上传爬虫数据，优化仓库结构。
CrawlerDemo
- [x] DianpingCrawler：大众点评爬取
- [x] 📛TaobaoCrawler：淘宝商品爬取
- [x] 📛XianyuCrawler：闲鱼商品爬取
- [x] SohuNewCrawler：新闻网爬取
- [ ] 📛WechatCrawler：微信公众号爬取
- [x] OtherCrawlers：一些有趣的爬虫例子
- [x] 0x01 百度贴吧
- [x] 0x02 豆瓣电影
- [x] 0x03 阿里任务
- [x] 0x04 包图网视频
- [ ] 0x05 全景网图片
- [x] 0x06 豆瓣音乐
- [x] 0x07 某省药监局
- [x] 0x08 fofa
- [ ] 0x09 汽车之家
Contribution👏
| @Joynice | @liangweiyang |
wait for you
What You Learn ?
本项目使用了哪些有用的技术
- 数据分析
- [x] chrome Devtools
- [x] Fiddler
- [x] Firefox
- [ ] appnium
- [x] anyproxy
- [x] mitmproxy
- 数据采集
- 数据解析
- [x] re
- [x] beautifulsoup
- [x] xpath
- [x] pyquery
- [x] css
- 数据保存
- [x] txt文本
- [x] csv
- [x] excel
- [ ] mysql
- [x] redis
- [x] mongodb
- 反爬验证
- [x] mitmproxy 绕过淘宝检测
- [x] js数据解密
- [x] js数据生成对应指纹库
- [x] 文字混淆
- [ ] 穿插脏数据
- 效率爬虫
- [x] 单线程
- [x] 多线程
- [x] 多进程
- [x] 异步协成
- [ ] 分布式爬虫系统
链接标识官方文档或推荐例子
What`s Spider 🕷？
0x01 爬虫简介
爬虫
爬虫是一种按照一定的规则，自动地抓取万维网信息的程序或者脚本。
爬虫作用
- 市场分析：电商分析、商圈分析、一二级市场分析等
- 市场监控：电商、新闻、房源监控等
- 商机发现：招投标情报发现、客户资料发掘、企业客户发现等
网页介绍
- url
- html
- css
- js
Roobots协议
无规矩不成方圆，Robots协议就是爬虫中的规矩，它告诉爬虫和搜索引擎哪些页面可以抓取，哪些不可以抓取。
通常是一个叫作robots.txt的文本文件，放在网站的根目录下。
0x02爬取过程
获取数据
模拟获取数据
0x03解析数据
re
beautifulsoup
xpath
yquery
css
0x04 存储数据
小规模数据存储（文本）
- txt文本
- csv
- excel
大规模数据存储（数据库）
- mysql
- redis
- mongodb
0x05 反爬措施
反爬
反反爬
0x06 效率爬虫
多线程
多进程
异步协程
scrapy框架
Padding
…………
