『壹』 怎麼使用python爬取百度網的數據
檔案系統初期算是告一段落了，利用一點時間繼續爬取POI。和領導聊聊，受益匪淺。之前我的想法是爬取一份poi數據，直接能用；而領導聽了之後，覺得更好的方式是爬取多個渠道來源的POI數據，然後做一個數據比較融合（最終事情能不能成不好說，但是經過這么一回，細節技術上有所提高，宏觀把控整體項目流程能力有所長進，更重要的是通過和能人交流，以更高的眼界更宏觀的看待數據、應用以及問題，這就是成長）。 我之前採用的方式，可以滿足需求，但是POI數據獲取效率差一些（雖然已經很快，但是相比本文這種還是慢一些）、數據現勢性不好，高德數據和網路數據雖然是兩套，但是僅僅是坐標不同（所以顯然還是一套）。所以，我加一種方式來爬取網路poi。
一 調研： 網路API提供了一個叫Place API獲取poi的介面，有個城市內檢索 實例為
ce/v2/search?query=銀行&page_size=10&page_num=0&scope=1®ion=北京&output=json&ak={您的密鑰}
它返回的是個json類型數據，一個區域最大返回數為400，每頁最大返回數為20。顯然一個城市內不管什麼類別的poi，不可能只有400個，會遺漏數據，故捨去
還有一個矩形區域檢索，實例為
u.com/place/v2/search?query=美食&page_size=10&page_num=0&scope=1&bounds=39.915,116.404,39.975,116.414&output=json&ak={您的密鑰}只要區域劃分得當，這個可以使用
二 要解決的問題
1 區域劃分
網上有人通過遞歸寫代碼的方式來劃分，這樣劃分有問題，第一，劃分的區域不能完全對應一個城市的市區；第二，演算法設計比較麻煩。解決辦法，後面詳細說。
2 類別問題
網路API的介面必須要指定query的類別，那麼如果類別指定不準，或者類別不全，根本無法完成爬取一個城市所有poi的任務。解決辦法，說實話，這個問題在我做這件事情的時候，
十分棘手，不過我最終找到了這個網頁
/index.php?title=lbscloud/poitags，一切都不是問題了
三 整體流程
1 區域劃分，2km*2km的區域基本可以滿足需求，獲取每個區域的對角坐標（經緯度），逐行寫入一個txt文本里
2 爬蟲程序編寫 讀取1中的txt文本，逐行循環；調用網路API介面，爬取json；將爬取的數據存入資料庫中； 每個類別跑一次程序
3 爬下的POI數據處理 poi顯示，投影坐標轉換，與地圖疊加
後文將詳細介紹流程
『貳』 python爬蟲能爬取私密網站的數據嗎
爬得的什麼網站，爬不到，響應回來的網頁一般有提示在裡面。看用了啥反爬技術。再做對策，不一定是請求頭和ip的問題。
『叄』 請教高手，怎麼爬取網站歷年的數據
如果只是做收集數據使用，市面上有不少大數據採集器可以直接使用，不用花時間調試代碼，有一定邏輯思維能力就可以採集到數據，一般官方也會提供教程來做參考。
『肆』 如何爬取網頁表格數據
用beautifulsoup4
resp = urllib.request.urlopen(yoururl).read().decode(「utf-8」)
soup = bs4.Beautifulsoup(resp)
soup.findall("table", {"width": "550"})[0]
然後做你想做的就行了。如果不懂語言，直接找某寶中的楚江數據，可以代寫爬蟲，也可以直接讓他們爬取數據。
『伍』 如何爬取某網站上的所有url鏈接
已經拿到了網頁上的數據，那麼可以通過正則的方式來檢索網頁的內容，把所有符合URL鏈接規范的都截取下來，java的我沒做過，但是正則表達式是通用的，你可以搜一下這方面的資料。
『陸』 如何分析網站網頁爬蟲爬取規則
既然確定了用爬蟲來自動整理文章，你得先理解爬蟲是什麼。爬蟲說白了就是一個腳本程序。說到腳本，我們平時遇到一些費時費力又容易出錯的活兒，都可以把用到的命令寫到腳本里，讓計算機自動來執行。測試同學說的自動化腳本，運維同學說的環境配置腳本，都是這個意思。一個腳本包含了很多命令，一個接一個，告訴計算機第一步干什麼，之後干什麼，最後干什麼。
在這里，我們的目標很明確，就是寫一個爬蟲腳本，讓計算機一步一步的把「給產品經理講技術」的所有歷史文章，保存成pdf。
歷史文章哪裡去找？正好，微信公眾號的關注界面有一個查看歷史消息的鏈接。
點開歷史消息，這個頁面每次顯示10篇文章，如果用戶滑到底，就會再載入10篇出來，典型的非同步載入。我們要找的，就是每篇文章的URL地址。只要找到所有文章的URL，就能下載到每篇文章的內容和圖片，然後就可以進一步加工處理成pdf了。
為此，我們長按頁面選擇在瀏覽器中打開，然後把地址欄里的URL復制出來，發送到電腦上，用Chrome打開。用Chrome的最大好處，就是它有一個「開發人員工具」，可以直接查看網頁的源碼。按下command+option+L，打開開發人員工具，就能看到這個網頁的源碼了。我們要找的東西，就藏在這些亂七八糟的HTML代碼里。
如何從HTML源碼里找到我們想要的文章鏈接呢？
這要從HTML的結構說起。HTML全稱超文本標記語言，所謂標記，就是說是它通過很多標簽來描述一個網頁。你看到很多像以開始，以結束的標志，就是標簽。這些標簽一般成對出現，標簽裡面還可以套標簽，表示一種層級關系。最外面的html標簽是最大的，head、body次之，一層一層下來，最後才是一段文字，一個鏈接。你可以把它類比成一個人，這個人叫html，有head，有body，body上有hand，hand上面有finger。
扯遠了，一些常用的標簽：
1、<head>。一個網頁的很多重要信息，都是在這里聲明的。比如說標題，就是在<head>下的<title>里定義的。一個網頁用到的CSS樣式，可以在<head>下的<style>里定義。還有你寫的JavaScript代碼，也可以在<head>下的<script>里定義。
2、<body>。它包含的東西就多了，基本上我們能看到的東西，一段文字，一張圖片，一個鏈接，都在這裡面。比如說：
<p>表示一個段落
<h1>是一段文字的大標題
<a>表示一個鏈接
<img>表示一張圖
<form>是一個表單
<div>是一個區塊
計算機是如何理解HTML的標簽的呢？其實很簡單，它就是一棵樹。你可以把<html>當做樹根，從樹根上分出<head>和<body>，各個分支上又有新的分支，直到不能再分為止。這有點類似我們電腦上存放的文件。假設你有一本《21天學習C++》的電子書，存在D盤、study文件夾下的CS文件夾里。而study文件夾里除了CS文件夾，還有GRE、島國文化等目錄，代表著另一個分支體系。這也是一棵樹。樹上的每一片葉子，都有一條從根部可以到達的路徑，可以方便計算機去查找。
回到正題，有了這些基礎知識，我么再來看微信這個歷史消息頁面。從最外層的<html>標簽開始，一層一層展開，中間有<body>、有<div>、最後找到一個<a>標簽，標簽裡面的hrefs就是每篇文章的URL了。把這個URL復制下來，在新的TAB打開，確認確實是文章的地址。
現在我們通過分析一個網頁的結構、標簽，找到了我們想要的文章URL，我們就可以寫爬蟲去模擬這個過程了。爬蟲拿到網頁之後，我們可以用正則表達式去查找這個<a>標簽，當然，也可以用一些更高級的手段來找。
『柒』 用爬蟲從網站爬下的數據怎麼存儲
對於csv格式的數據，用csv庫或者pandas中的read_csv函數都能輕松處理；
對於xlsx、xls格式的數據，由於讀寫要用不同的庫，xlrd、xlwt等等，比較麻煩，所以推薦使用pandas中的read_excel函數。
『捌』 我現在有一套在網站上爬取數據的程序(用python寫的)如何在伺服器運行
首先要配置伺服器的運行環境，如：NGINX、PYTHON、MYSQL，然後用FTP工具把程序上傳到伺服器上運行。
『玖』 如何抓取某個網頁上的目錄下的所有數據
用火車頭採集器（www.locoy.com）之類的採集工具就可以，採集頁面，自動下載圖片。（但使用要求懂點html、js和正則表達式）先分析列表頁，取得所有書的內容頁，再從內容頁中獲取需要的每一個內容，圖片、價格、作者什麼的。這是個標準的採集流程。火車頭免費版採集的內容是採到access里的
『拾』 如何用python爬取視頻網站的數據
1.模擬客戶端數據採集，分析http返回結果，清洗需要的數據，入庫。
2.根據已有數據進行計算，實現增長率之類的數據計算。
3.實時性很難做，你當然可以不停的采數據回來，做個偽實時系統，但需要考慮這些網站是否做了客戶端訪問次數的限制，你需要考慮在採集器達到訪問次數上限之前所採集的數據能否滿足你的要求，否則就要被封IP了。