Python网络爬虫实战:从Requests到Scrapy的完整指南

python爬虫入门教程(非常详细) 爬虫指的是一种自动化程序,能够模拟人类在互联网上的浏览行为,自动从互联网上抓取、预处理并保存所需要的信息。爬虫运行的过程一般是先制定规则(如指定要抓取的网址、要抓取的信息的类型等),紧接着获取该网址的HTML源代码,根据规则对源代码进行解析和抽取,最后进行处理和保存。爬虫在实际应用中广泛使用,如搜索引擎、大数据分析、交易数据采集等领域,都需要用到爬虫技术来实现信息的定向采集和处理。 阅读详情

Python网络爬虫实战:从Requests到Scrapy的完整指南

引言

网络爬虫是数据采集和分析的重要工具。作为从Python转向Rust的后端开发者,我发现Python的爬虫生态非常成熟,从简单的Requests到强大的Scrapy框架,能够满足各种爬虫需求。本文将从实战角度出发,深入探讨Python网络爬虫的最佳实践,帮助你构建高效、稳定的爬虫系统。

一、网络爬虫概述

1.1 爬虫类型

类型特点适用场景
静态爬虫爬取静态HTML页面简单网站、数据采集
动态爬虫处理JavaScript渲染现代SPA应用
增量爬虫定期更新数据新闻、博客监控
分布式爬虫多节点协作大规模数据采集

1.2 爬虫架构

┌─────────────────────────────────────────────────────┐
│                    调度层                           │
│   URL队列 → 调度器 → 请求分发                        │
├─────────────────────────────────────────────────────┤
│                    抓取层                           │
│   请求模块 → 页面解析 → 数据提取                     │
├─────────────────────────────────────────────────────┤
│                    存储层                           │
│   数据清洗 → 数据存储 → 数据备份                     │
└─────────────────────────────────────────────────────┘

二、Requests基础爬虫

2.1 基本请求

import requests

url = 'https://example.com'
response = requests.get(url)

print(f"状态码: {response.status_code}")
print(f"响应头: {response.headers}")
print(f"响应内容: {response.text[:500]}")

2.2 请求参数

params = {'key1': 'value1', 'key2': 'value2'}
headers = {
    'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36',
    'Referer': 'https://example.com'
}

response = requests.get(
    'https://api.example.com/data',
    params=params,
    headers=headers,
    timeout=10
)

2.3 会话管理

session = requests.Session()
session.headers.update({'User-Agent': 'MyBot/1.0'})

# 保持登录状态
session.post('https://example.com/login', data={'username': 'user', 'password': 'pass'})

# 后续请求自动携带cookie
response = session.get('https://example.com/dashboard')

三、BeautifulSoup解析

3.1 HTML解析

from bs4 import BeautifulSoup

html = response.text
soup = BeautifulSoup(html, 'html.parser')

# 查找标签
title = soup.title.string
print(f"页面标题: {title}")

# 查找元素
links = soup.find_all('a', href=True)
for link in links[:5]:
    print(f"链接: {link['href']} - {link.get_text()}")

# 使用CSS选择器
articles = soup.select('article.post')
for article in articles:
    title = article.select_one('h2.title').get_text()
    summary = article.select_one('p.summary').get_text()
    print(f"{title}: {summary}")

3.2 数据提取实战

def extract_news_items(html):
    soup = BeautifulSoup(html, 'html.parser')
    news_items = []
    
    for item in soup.select('div.news-item'):
        title = item.select_one('h3').get_text(strip=True)
        url = item.select_one('a')['href']
        date = item.select_one('span.date').get_text(strip=True)
        category = item.select_one('span.category').get_text(strip=True)
        
        news_items.append({
            'title': title,
            'url': url,
            'date': date,
            'category': category
        })
    
    return news_items

四、Scrapy框架

4.1 创建项目

scrapy startproject my_spider
cd my_spider
scrapy genspider example example.com

4.2 编写爬虫

import scrapy

class ExampleSpider(scrapy.Spider):
    name = 'example'
    allowed_domains = ['example.com']
    start_urls = ['https://example.com/news']
    
    def parse(self, response):
        for article in response.css('article.post'):
            yield {
                'title': article.css('h2.title::text').get(),
                'url': article.css('a::attr(href)').get(),
                'summary': article.css('p.summary::text').get(),
                'date': article.css('time::attr(datetime)').get()
            }
        
        # 分页处理
        next_page = response.css('a.next-page::attr(href)').get()
        if next_page:
            yield response.follow(next_page, self.parse)

4.3 配置文件

# settings.py
USER_AGENT = 'MySpider/1.0 (+http://www.example.com)'
ROBOTSTXT_OBEY = True
DOWNLOAD_DELAY = 2
CONCURRENT_REQUESTS = 8
ITEM_PIPELINES = {
    'my_spider.pipelines.MySpiderPipeline': 300,
}

4.4 数据管道

class MySpiderPipeline:
    def process_item(self, item, spider):
        # 数据清洗
        item['title'] = item['title'].strip()
        item['summary'] = item['summary'].strip()
        
        # 数据存储
        self.store_item(item)
        return item
    
    def store_item(self, item):
        # 存储到数据库或文件
        pass

五、动态页面爬取

5.1 使用Selenium

from selenium import webdriver
from selenium.webdriver.common.by import By
from selenium.webdriver.support.ui import WebDriverWait
from selenium.webdriver.support import expected_conditions as EC

driver = webdriver.Chrome()
driver.get('https://example.com/dynamic-page')

# 等待元素加载
wait = WebDriverWait(driver, 10)
element = wait.until(
    EC.presence_of_element_located((By.CSS_SELECTOR, 'div.content'))
)

# 提取数据
content = element.text
print(content)

driver.quit()

5.2 使用Playwright

from playwright.sync_api import sync_playwright

with sync_playwright() as p:
    browser = p.chromium.launch(headless=True)
    page = browser.new_page()
    page.goto('https://example.com/dynamic-page')
    
    # 等待网络空闲
    page.wait_for_load_state('networkidle')
    
    # 提取数据
    items = page.query_selector_all('div.item')
    for item in items:
        title = item.query_selector('h3').inner_text()
        print(title)
    
    browser.close()

六、反爬策略

6.1 请求频率控制

import time
from random import randint

class RateLimiter:
    def __init__(self, min_delay=1, max_delay=3):
        self.min_delay = min_delay
        self.max_delay = max_delay
    
    def wait(self):
        delay = randint(self.min_delay * 1000, self.max_delay * 1000) / 1000
        time.sleep(delay)

rate_limiter = RateLimiter()

# 在请求之间等待
rate_limiter.wait()
response = requests.get(url)

6.2 User-Agent轮换

USER_AGENTS = [
    'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36',
    'Mozilla/5.0 (Macintosh; Intel Mac OS X 10_15_7) AppleWebKit/537.36',
    'Mozilla/5.0 (X11; Linux x86_64) AppleWebKit/537.36',
]

headers = {'User-Agent': random.choice(USER_AGENTS)}
response = requests.get(url, headers=headers)

6.3 使用代理

proxies = {
    'http': 'http://proxy-server:port',
    'https': 'https://proxy-server:port'
}

response = requests.get(url, proxies=proxies)

七、实战:完整爬虫系统

7.1 项目结构

my_crawler/
├── crawler/
│   ├── __init__.py
│   ├── spiders/
│   │   ├── news_spider.py
│   │   └── product_spider.py
│   ├── pipelines/
│   │   └── database_pipeline.py
│   └── settings.py
├── data/
├── logs/
└── main.py

7.2 主程序

from scrapy.crawler import CrawlerProcess
from crawler.settings import Settings
from crawler.spiders.news_spider import NewsSpider

def main():
    process = CrawlerProcess(settings=Settings())
    process.crawl(NewsSpider)
    process.start()

if __name__ == '__main__':
    main()

7.3 数据库存储

import sqlite3

class DatabasePipeline:
    def __init__(self):
        self.conn = sqlite3.connect('data/crawler.db')
        self.cursor = self.conn.cursor()
        self.create_table()
    
    def create_table(self):
        self.cursor.execute('''
            CREATE TABLE IF NOT EXISTS news (
                id INTEGER PRIMARY KEY AUTOINCREMENT,
                title TEXT,
                url TEXT UNIQUE,
                summary TEXT,
                date TEXT,
                category TEXT
            )
        ''')
        self.conn.commit()
    
    def process_item(self, item, spider):
        try:
            self.cursor.execute('''
                INSERT OR IGNORE INTO news 
                (title, url, summary, date, category)
                VALUES (?, ?, ?, ?, ?)
            ''', (item['title'], item['url'], item['summary'], 
                  item['date'], item['category']))
            self.conn.commit()
        except Exception as e:
            spider.logger.error(f"存储失败: {e}")
        
        return item

八、爬虫最佳实践

8.1 遵守robots.txt

# 检查robots.txt
from urllib.robotparser import RobotFileParser

rp = RobotFileParser()
rp.set_url('https://example.com/robots.txt')
rp.read()

if rp.can_fetch('MyBot', 'https://example.com/news'):
    # 可以爬取
    response = requests.get('https://example.com/news')
else:
    print("该页面禁止爬取")

8.2 设置合理的请求头

headers = {
    'User-Agent': 'MyCrawler/1.0 (+https://example.com/crawler)',
    'Accept': 'text/html,application/xhtml+xml,application/xml;q=0.9,*/*;q=0.8',
    'Accept-Language': 'zh-CN,zh;q=0.9,en;q=0.8',
    'Accept-Encoding': 'gzip, deflate, br',
    'Connection': 'keep-alive',
    'Cache-Control': 'max-age=0',
}

8.3 错误处理

try:
    response = requests.get(url, timeout=10)
    response.raise_for_status()
except requests.exceptions.RequestException as e:
    print(f"请求失败: {e}")
    # 可以选择重试或跳过

九、总结

Python的爬虫生态非常强大,从简单的Requests到专业的Scrapy框架,能够满足各种数据采集需求。作为后端开发者,掌握爬虫技能不仅能够帮助我们获取数据,还能为数据分析和机器学习提供数据支持。

关键要点:

  1. 选择合适的工具:根据需求选择Requests、BeautifulSoup、Scrapy或Playwright
  2. 遵守规则:尊重网站的robots.txt和使用条款
  3. 反爬应对:实现请求频率控制、User-Agent轮换、代理使用
  4. 数据存储:合理设计数据存储方案
  5. 错误处理:完善的异常处理机制

从Python转向Rust后,我发现Rust的reqwest库在性能方面有很大优势,适合构建高性能的爬虫系统。

延伸阅读

  • Scrapy官方文档
  • Requests官方文档
  • BeautifulSoup教程
  • Playwright官方指南
五分钟学会Python网络爬虫 但不管怎样,爬虫技术是无罪的,还是值得我们开发人员去学习了解一下的。在学习之前,我们还是要先了解一下相关概念。 什么是爬虫 网络爬虫:又被称为网页蜘蛛,网络机器人,是一种按照一定的规则,自动的抓取万维网信息的程序或者脚本。 大数据时代,要进行数据分析,首先要有数据源,可数据源从哪里来,花钱买,没预算,只能从其它网站就行抓取。 细分下来,业内分为两类:爬虫和反爬虫。 反爬虫:顾名思义,就是防止你来我网站或APP上做爬虫的。 爬虫工程师和反爬虫工程师是一对相爱相杀的小伙伴,经常因为对方要加班写代码, 阅读详情

相关推荐

【网络爬虫】(3) 案例小结,文本内容爬取,附Python代码

本节总结一下各种文本内容爬取的方法,进行一下案例实战,附详细解析,包含:微博评论爬取;结果展示,文件名是问题,内容是回答,以txt保存。结果展示,评论信息保存在excel中。2. 豆瓣TOP250电影信息爬取。结果展示,电影信息以CSV文件保存。结果展示,小说文本以txt格式保存。

博观而约取,厚积而薄发 3682

python爬虫入门教程(二):开始一个简单的爬虫

python爬虫入门教程,介绍编写一个简单爬虫的过程。

笔墨留年。 21万+

Python网络爬虫开发实战:从Requests到Scrapy的完整避坑指南

网络爬虫是一种自动化抓取网页信息的程序,其核心原理是模拟浏览器发送HTTP请求并解析响应数据。这项技术对于数据采集、市场分析和信息聚合具有重要价值,广泛应用于搜索引擎、价格监控和舆情分析等场景。在工程实践中,开发者常需应对反爬机制、数据解析和异步处理等挑战。本文以Python生态为核心,深入探讨了Requests库的请求发送、BeautifulSoup的HTML解析以及Scrapy框架的高效爬取,并提供了处理Headers、IP代理等反爬策略的实战方案。通过一个完整的图书信息爬取项目,系统展示了从环境搭建、

weixin_34218890的博客 345

python爬虫详解

早在1989年,网络发明人蒂姆·伯纳斯 - 李(Tim Berners-Lee)就提出了网站的三大支柱:1)URL ,跟踪Web文档的地址系统2)HTTP,一个传输协议,以便在给定URL时查找文档3)HTML, 允许嵌入超链接的文档格式Web的最初目的是提供一种简单的方式来访问,阅读和浏览文本文档。从那时起,网络已经发展到提供图像,视频和二进制数据的访问,但是这些改进几乎没有改变三大支柱。在Web之前,很难访问文档并从一个文档跳转到另一个文档。

优快云_430422的博客 3万+

Python爬虫实战:从Requests到Scrapy的完整环境搭建与反爬策略

网络数据采集是自动化获取互联网公开信息的基础技术,其核心原理是通过模拟HTTP请求与解析HTML/XML文档来提取结构化数据。这项技术的工程价值在于将人工浏览和复制数据的重复劳动自动化,显著提升数据获取效率与规模。在数据分析、市场研究、内容聚合和竞品监控等应用场景中,数据采集是构建数据管道的关键环节。本文聚焦于Python爬虫的实战可用性,详细阐述了如何搭建包含Requests、BeautifulSoup、Selenium和Scrapy的完整技术栈环境,并系统介绍了应对反爬机制的策略,如IP代理池管理和请求

weixin_33851177的博客 351

Python爬虫与数据分析实战:从零到项目部署的完整学习路径

Python作为当前最流行的编程语言之一,其核心价值在于能够高效处理数据获取与分析任务。通过requests、BeautifulSoup等库实现网络爬虫技术,可以自动化采集公开网络数据;结合Pandas、NumPy等数据分析工具,能够对海量数据进行清洗、转换与可视化呈现。这种技术组合在商业智能、市场研究、舆情监控等领域具有广泛应用,能够帮助企业从原始数据中提取有价值的信息。本教程围绕Python基础、爬虫实战和数据分析三大模块,构建了从环境搭建到项目部署的完整技能链条,特别适合希望系统掌握数据抓取与处理能力

weixin_30776545的博客 359

Python网络爬虫入门指南:从Requests到Scrapy的完整实战路径

网络数据采集是数据分析、机器学习与自动化测试的基础能力,其核心原理是模拟HTTP请求获取网页响应,再通过解析与清洗提取结构化数据。爬虫技术让开发者能够高效、批量地获取互联网公开信息,在舆情监控、商品价格追踪、学术研究等场景中广泛落地。掌握Requests库的请求构造、BeautifulSoup与XPath的解析技巧,并理解动态页面抓取与Scrapy框架的工程化应用,是构建可靠采集系统的关键。本文从零开始梳理爬虫的完整工作流程,涵盖请求头伪装、数据去重、翻页逻辑、常见反爬应对策略以及合规注意事项,并结合可运行

weixin_33778544的博客 321

Python爬虫零基础实战:从requests到Scrapy的完整学习路径

在数据驱动的互联网时代,网络爬虫已成为获取公开数据的重要工具。它基于HTTP协议模拟浏览器行为,通过URL管理、请求发送、内容解析等环节实现自动化信息采集。掌握爬虫技术能大幅提升数据获取效率,广泛适用于市场分析、舆情监测、学术研究等场景。从零基础出发,系统讲解Python爬虫的核心组件,包括requests请求库与BeautifulSoup解析库的使用,并通过动态页面处理与反爬应对等实战案例,帮助读者突破技术瓶颈。同时涵盖robots协议合规要求与CSV、SQLite等存储方案选型,为新手提供一条从简单脚本

weixin_29913663的博客 312

网络爬虫核心原理与Python实战:从requests到Scrapy的完整指南

在数据驱动的业务环境中,自动化数据采集已成为获取信息的高效手段。其本质是通过模拟HTTP请求获取网页内容,再利用解析库提取结构化数据。Python凭借requests、lxml、parsel等成熟工具链,大幅降低了爬虫开发门槛;而Scrapy框架则将请求调度、数据清洗与存储工程化,适用于规模化采集。面对网站的反爬机制,需综合运用请求头伪装、限速与HTTP状态码排查等策略。本文从基础原理出发,系统讲解了爬虫的四个核心环节,并结合实际案例演示了从单机脚本到分布式架构的演进路径,帮助开发者构建合规、高效的数据采集

weixin_33491377的博客 544

Python爬虫实战:从requests到Scrapy的完整指南

网络爬虫是一种自动化获取网页数据的技术,其核心原理是模拟HTTP请求并解析响应内容。在Python生态中,requests库负责发送请求,BeautifulSoup和lxml负责解析HTML,Scrapy则提供完整的爬虫框架。掌握这些工具能高效采集公开数据,应用于市场分析、舆情监控等场景。本文以requests为基础,逐步深入动态加载、反爬应对和多线程并发,帮助开发者构建稳定可配置的采集流程。

weixin_30575517的博客 244

Python爬虫实战教程:从requests到Scrapy的完整抓取链路

网络爬虫是一种自动化获取网页数据的技术,其核心原理是通过HTTP请求模拟浏览器行为,再对返回的HTML进行解析和提取。在工程实践中,合理运用请求头伪装、代理轮换和并发控制,能有效提升数据采集的稳定性与效率。爬虫技术广泛应用于电商价格监控、舆情分析和数据挖掘等场景。本教程以Python爬虫开发为切入点,系统串联requests、BeautifulSoup、Scrapy和Selenium四大工具,结合电商商品数据实战项目,深入讲解反爬应对与工程化组织,帮助开发者构建可落地的数据采集流程。

weixin_32183107的博客 112

Python网络爬虫工具终极指南:新手快速入门的最佳选择

GitHub推荐项目精选(aw/awesome-python-applications)是一个汇集优秀Python开源项目的资源库,其中包含了众多实用的Python网络爬虫工具。本指南将为新手介绍如何快速入门Python网络爬虫,帮助你选择最适合的工具,轻松掌握数据采集技能。 爬虫技术已成为数据获取的重要手段,无论是市场调研、舆情分析还是学术研究,都离不开高效的爬虫工具。Python凭借其丰富的

gitblog_00719的博客 1193

Python爬虫实战:从requests到Scrapy的完整链路与避坑指南

网络爬虫是一种自动化获取网页数据的技术,其核心原理是通过HTTP请求模拟浏览器行为,解析响应内容并提取结构化信息。在工程实践中,合理选择请求库与解析工具、控制请求频率、处理反爬机制是保证爬虫稳定运行的关键。常见应用场景包括电商价格监控、舆情分析和数据采集等。本文以Python爬虫开发教程包为例,系统梳理了requests、BeautifulSoup、Scrapy和Selenium四层工具链的选型边界,结合反爬应对与实战项目,提供了从静态页抓取到动态渲染的完整解决方案,并总结了五条真实避坑经验。

weixin_34005090的博客 326

Python爬虫自学指南:从Requests到Scrapy的完整实战路径

网络数据采集是获取公开信息、赋能数据分析与市场研究的基础技术。其核心原理是通过模拟HTTP请求与解析HTML文档,自动化提取网页中的结构化数据。这项技术的工程价值在于将零散、非结构化的网络信息转化为可分析、可利用的数据资产,广泛应用于舆情监控、价格追踪、学术研究等合规场景。在实践层面,掌握静态页面抓取与动态渲染处理是两大关键。例如,使用Requests库发送网络请求,结合BeautifulSoup进行HTML解析,构成了处理静态内容的基础工作流;而面对由JavaScript动态加载的内容,则需要借助Sele

weixin_30460489的博客 286

Python爬虫入门实战:从requests到Scrapy的完整学习路线

网络数据采集是数据分析与工程实践中的基础环节,其核心原理是通过程序模拟浏览器发送HTTP请求,获取网页内容后解析提取目标信息。在技术价值上,爬虫能够将手动复制粘贴转化为自动化批量采集,显著提升数据获取效率。典型应用场景包括商品价格监控、招聘信息统计、舆情分析等。围绕Python爬虫开发,requests与BeautifulSoup组合适用于静态网页采集,Selenium可应对JavaScript动态渲染,Scrapy则适合大规模复杂项目。同时,反爬虫应对策略如请求头伪装、访问频率控制与代理池配置是保障采集稳

weixin_34116482的博客 315

SLAM工程师面试避坑指南:2025年最新高频考点与实战代码解析

本文为SLAM工程师提供2025年最新面试避坑指南,涵盖高频技术考点如VINS初始化、三维几何处理、多传感器融合架构设计等,并包含实战代码解析。特别针对算法工程师面试中的常见陷阱,提供系统设计框架和代码模板,帮助求职者提升通过率。

metaverse5vr的博客 246

Python爬虫进阶:从requests到Scrapy框架的完整迁移实战

做数据采集的同学应该都有过这样的经历:最开始用requests写几个简单爬虫跑得很欢,但随着目标网站越来越多、反爬策略越来越复杂,脚本逐渐变得难以维护。我接手过一个用requests+BeautifulSoup攒了两年多的爬虫项目,光是解析函数就有40多个,每个网站的解析逻辑散落在不同文件里,改一个地方要全局搜索半天。这个方案的性能比Selenium好很多,Playwright的启动速度是Selenium的3-5倍,而且支持更精细的页面等待控制。相关的数据采集工作,这套架构可以给你一个不错的起点。

2601_96302184的博客 199

运维与软件实施课表

运维与软件实施课表 课程 章节编号 章节 课程地址 软件及操作系统基础 ch01 软件及操作系统基础01 实施、运维工程师基本技能:https://blog.youkuaiyun.com/qq_28189423/article/details/82700539 老毛桃制作winPE镜像:https://blog.youkuaiyun.com/qq_2818942...

Mr.O~的博客 1万+

Python爬虫完整代码模板:requests+Playwright+Scrapy实战

网络数据采集是Python编程中最常见的应用场景之一,而理解HTTP请求、HTML解析与数据落地的基本原理,是构建稳定爬虫的基石。实际项目中,开发者常因缺少通用代码模板,频繁遭遇字符编码混乱、反爬机制限制、动态页面渲染失败等问题。从requests与BeautifulSoup构建静态页面采集方案入手,可通过会话维持、编码修正和选择器优化提升抓取效率;继而利用Playwright应对JavaScript动态渲染,并对比两种方案的适用场景。围绕pandas、SQLite等工具,能够有效完成数据清洗与存储策略设计

weixin_31423955的博客 271

LIO-SAM运行报错‘process has died’?别慌,一个命令搞定libmetis.so库路径问题

本文详细解析了LIO-SAM运行中常见的‘process has died’报错问题,特别是由libmetis.so库路径错误导致的节点崩溃。通过一个简单的命令移动库文件到正确位置,即可快速解决这一问题,同时提供了多种替代方案和预防措施,帮助开发者更好地理解Linux动态库加载机制和ROS环境管理。

weixin_29231221的博客 206

CodeSys集成C语言动态库:从环境搭建到视觉应用实战

本文详细介绍了如何在CodeSys环境中集成C语言动态库,以解决工业自动化项目中复杂计算(如AI视觉检测)的性能瓶颈。通过Extension SDK搭建桥梁,开发者可将高效的C/C++算法(如OpenCV图像处理)编译为动态库,并在CodeSys中像调用普通功能块一样使用,实现PLC逻辑控制与后台高性能计算的协同工作。

cake8的博客 531

Python爬虫

Python爬虫是一种通过编写自动化程序来获取网页数据的技术,核心流程包括发起请求、解析页面、数据清洗和存储。常用库包括requests(请求)、BeautifulSoup(解析)、Selenium(处理动态页面)和Scrapy(框架)。以豆瓣电影Top250为例,通过添加headers伪装浏览器、使用XPath解析数据并存储到CSV文件。需注意反爬策略如设置延时、代理IP和遵守robots.txt协议。此外还介绍了dirsearch工具用于扫描网站隐藏路径。

st_afy的博客 2957

Allegro 中复制一部分PCB到另一个PCB中去

引言:自从学了allegro后,我每天快乐地再拉线,一开心肯定出事情。不料今天一高兴,把本来在5层的铜皮直接在4层画起来了。不过,幸好我知道换层,才省了又要画铜皮的时间。好了,开干,如果要将其他层的铜皮换到想要换到的层上,就需要这个命令。

tianpu2320959696的博客 975
上一篇: Python数据库迁移实战:从SQLAlchemy到Alembic的完整指南
下一篇: Rust Web框架对比分析:Axum、Rocket、Warp全面评测
第一程序员
博客等级 码龄1年 1万+粉丝 1827原创
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付:10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值