閱讀文字大概需要 3.6 分鐘。

其實，我鼓搗的有些也算不上是爬蟲。

首先，爬蟲不是我的本職工作，我爬蟲一般是為了一些有意思的東西，獲取一些資訊，或者是實現一些可以自動化完成的任務，比如簽到。

一般我的爬蟲流程是這樣的：

1、瀏覽器訪問待爬網頁，並提前開啟開發者工具（F12），選中 Nework 選項卡，這樣就可以看到網路互動資訊；

或者，右鍵檢視網頁原始碼，查詢目標資訊。

2、在網路互動資訊流中篩選出自己需要的，然後在 postman 中模擬請求，看是否仍然可以獲取到想要的資訊；

postman 除了可以進行請求測試外，還有一個優勢就是，程式碼可以直接生成，這樣就可以方便得進行最終的整合了。

3、資料解析，從請求的響應中解析出我們的目標資料，至於得到資料後如何處理，那就是你的事情了。

下面就以大家耳熟能詳（landajie）的豆瓣電影 TOP250 為例。

例項分析

請求梳理

首先，我們要訪問待爬取的網頁：。

一般情況下，我都是直接按下 F12 調出 DevTools，點選 Network 選項卡：

有時請求已經載入完成了，可以把資料全部 clear 掉，然後重新重新整理網頁，這時候請求流會重新載入。

這裡有幾個點需要注意，主要是下圖圈紅的幾個：

1、有些網頁請求會有自動跳轉，這是請求流會重新載入，這是勾選了 Preserve log 的話，資料就會持續列印，不會被沖掉；

2、勾選 Disable cache 可以禁用快取；

3、請求流的篩選：XHR 是 XMLHttpRequest 的意思，大多數情況下只要點選 XHR 就行了，但是若此時發現沒有想要的請求資料，那麼就要點選 All 展示所有請求流。

比如豆瓣的這個，XHR 中是沒有我們的目標請求的。

請求模擬

透過上面的步驟，我們能夠確定透過哪些請求能夠得到我們的目標資料，然後把這些請求放到 postman 中進行模擬。

比如，我們在 postman 中訪問豆瓣的網站：

這裡的請求比較簡單，直接 get url 就能獲取到目標資料。

其實大部分情況下，都是需要新增一些訪問引數的，這是我們可以在 Headers 裡新增。

另外，postman 還支援其他請求，如 post、delete 等等：

• 生成程式碼

點選右側的 code 按鈕，就可以獲取到對應的程式碼：

支援生成多種語言的程式碼：

比如，我們這裡選擇 Python Requests，就可以得到如下程式碼：

import requests

url = ""

headers = {
    'cache-control': "no-cache",
    'postman-token': "d2e1def2-7a3c-7bcc-50d0-eb6baf18560c"
    }

response = requests.request("GET", url, headers=headers)

print(response.text)

這樣我們只要把這些程式碼合併到我們的業務邏輯裡就行了，當然其中的 postman 相關的引數是不需要的。

資料解析

下面要做的就是從響應中解析目標資料。

有些響應是返回 HTML，有些是返回 json 資料，有的還是返回 XML，當然也有其他的，這就需要不同的解析邏輯。

具體如何解析，這裡我們不再贅述，之前的爬蟲文章中都有涉及，有興趣的可以翻一翻。

總結

本來打算寫 postman 的使用的，但是寫來寫去，成了我的一般爬蟲流程梳理。

本文涉及的爬蟲都是比較初級的，至於 ip 代理、驗證碼解析等高階功能，後面有時間再單獨說。

不知道你的一般流程是什麼樣的，不妨留言分享下

原文連結：https://mp.weixin.qq.com/s/FgoEdLlAxYVgWD56X06hRA