python爬虫采集遇到的问题及解决

参考资料

正文内容

小编给大家总结一篇《python爬虫采集遇到的问题及解决》的技术内容，代码实例很详细，把代码做了调试发布出来，希望对网友有用。

 1、编码问题。

网站目前最多的两种编码：utf-8，或者gbk，当我们采集回来源网站编码和我们数据库存储的编码不一致时，比如http://163.com的编码使用的是gbk，而我们需要存储的是utf-8编码的数据，那么我们可以使用Python中提供的encode()和decode()方法进行转换，比如：content = content.decode('gbk', 'ignore')   #将gbk编码转为unicode编码。

content = content.encode('utf-8', 'ignore')  #将unicode编码转为utf-8编码

中间出现了unicode编码，我们需要转为中间编码unicode，才能向gbk或者utf-8转换。

2、增量爬取。

增量爬行是爬虫不重复下载下载的内容。为了实现增量爬行，我们需要使用一个新的概念——网址池。网址池用于统一管理所有网址。我们通过网址池记录我们的python爬虫访问过哪些内容，以避免重复。网址池的用途也可以实现断点续爬等。断点续爬是让之前没有爬过的网址继续爬虫。

3、爬虫被禁止。

爬虫会给服务器带来很大的负载，所以很多服务器会限制爬虫，甚至禁用爬虫。众所周知，要构建合理的http访问头，比如user-agent域的值。但是，还有很多其他避免被禁止的问题，比如放慢爬虫的访问速度，让爬虫的访问路径与用户的访问路径一致，采用动态ip地址等等。

以上就是python爬虫采集遇到的问题及解决，建议结合代理ip进行解决，可以尝试品易http代理ip，拥有大量高匿ip，轻松抓取数、解决爬虫ip被封问题，流量免费测试正在进行！python爬虫