新手爬虫采集时容易碰到的问题有哪些

这篇文章主要介绍了新手爬虫采集时容易碰到的问题有哪些，具有一定借鉴价值，感兴趣的朋友可以参考下，希望大家阅读完这篇文章之后大有收获，下面让小编带着大家一起了解一下。

 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。

感谢你能够认真阅读完这篇文章，希望小编分享的“新手爬虫采集时容易碰到的问题有哪些”这篇文章对大家有帮助，同时也希望大家多多支持亿速云，关注亿速云行业资讯频道，更多相关知识等着你来学习!