爬虫遇到过什么陷阱？

    有些小白可能在初次爬虫时有很多不太了解的地方，导致频繁踩坑，下面给大家总结了几种小白在爬虫爬取过程中可能会遇到的问题。希望大家看完之后能够少走点弯路。

    （一）请求下来的HTML中文编码问题

    import requests

    from bs4 import BeautifulSoup

    res = requests.get(newsurl)

    soup = BeautifulSoup(res.text,"lxml")

    news_item = soup.select(".news-item")print(news_item[0].select("h2")[0].text)

    结果：

    ??????é?¨??????è?????????±??????? é????é??

    解决办法

    import requestsfrom bs4 import BeautifulSoup

    res = requests.get(newsurl)

    soup = BeautifulSoup(res.text.encode(res.encoding).decode('utf-8'),"lxml") #添加编解码

    news_item = soup.select(".news-item")print(news_item[0].select("h2")[0].text)

    （二）爬虫长时间运行报错

    urllib3.exceptions.ProtocolError: ('Connection aborted.', ConnectionResetError(54, 'Connection reset by peer'))

    解决办法一，设置请求头user-agent：

    headers = requests.utils.default_headers()

    headers['User-Agent'] = 'Mozilla/5.0 (X11; Linux x86_64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/56.0.2924.87 Safari/537.36'

    #headers['User-Agent'] = 'Mozilla/5.0 (Macintosh; Intel Mac OS X 10_13_2) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/64.0.3282.167 Safari/537.36'

    r = requests.get('https://academic.oup.com/journals', headers=headers)

    解决办法二：更换ip地址

    （三） UA（用户代理）欺骗

    UA，即 User-Agent，是Http协议的一部分，属于头域的组成部分，发送 http 请求时，请求头中会有 User-Agent字段。服务器通过该字段来分辨发送请求的浏览器类型、版本、内核以及操作系统信息等。在浏览器 console 可用如下命令来获得该浏览器的 UA 标识：

    navigator

    .userAgent

    每当你访问一个网站，它会通过 UA（用户代理）来获取你浏览器的信息。你在有些网站上 看不到任何内容，除非你提供一个用户代理。另外，网站对不同的浏览器展示不同的内容。网站不希望屏蔽真正的用户，当如果你用同一个用户代理每秒发送两百个请求的话，你的行为看起来会非常的可疑。一种可能的解决方法是生成随机的用户代理或自己设置一个。有时候通过手机浏览器访问得到的页面会更加简洁，更容易抓取，所以伪装成手机浏览器也是一种好方法。

    当然也有一些未列举出来的问题，大家以后在爬虫爬取过程中有可能还会遇到多种多样的问题，在遇到问题时及时记录下来，也能方便以后的查阅，建议多和爬虫大神交流获取一些心得。