Python 爬虫入门

爬虫需求

1.你是否在夜深人静的时候，想看一些会让你更睡不着的图片却苦于没有资源？
2.你是否在节假日出行高峰的时候，想快速抢购火车票成功？
3.你是否在网上购物的时候，想快速且精准的定位到口碑质量最好的商品？

爬虫简介

经过编写程序，模拟浏览器上网，而后让其去互联网上抓取数据的过程。

爬虫的价值

抓取互联网上的数据，为我所用，有了大量的数据，就如同有了一个数据银行同样，下一步作的就是如何将这些爬取的数据产品化，商业化

爬虫流程

1.发送请求request

使用http库向目标站点发起请求，即发送一个Request
Request包含：请求头、请求体等 
Request模块缺陷：不能执行JS 和CSS 代码

2.获取响应内容 response

若是服务器能正常响应，则会获得一个Response
Response包含：html，json，图片，视频等

3.解析内容

解析html数据：正则表达式（RE模块），第三方解析库如Beautifulsoup，pyquery等
解析json数据：json模块
解析二进制数据:以wb的方式写入文件

4.保存数据

数据库（MySQL，Mongdb、Redis）
文件

HTTP的请求和响应

请求响应过程

Request：用户将本身的信息经过浏览器（socket client）发送给服务器（socket server）
Response：服务器接收请求，分析用户发来的请求信息，而后返回数据（返回的数据中可能包含其余连接，如：图片，js，css等）
ps：浏览器在接收Response后，会解析其内容来显示给用户，而爬虫程序在模拟浏览器发送请求而后接收Response后，是要提取其中的有用数据。

Request内容

1.请求方式：

常见的请求方式：GET / POST

2.请求的URL

url全球统一资源定位符，用来定义互联网上一个惟一的资源 例如：一张图片、一个文件、一段视频均可以用url惟一肯定；
网页的加载过程是：加载一个网页，一般都是先加载document文档，
在解析document文档的时候，遇到连接，则针对超连接发起下载图片的请求

3.请求头

User-agent：请求头中若是没有user-agent客户端配置，服务端可能将你当作一个非法用户host；
cookies：cookie用来保存登陆信息
注意：通常作爬虫都会加上请求头
请求头须要注意的参数：
（1）Referrer：访问源至哪里来（一些大型网站，会经过Referrer 作防盗链策略；全部爬虫也要注意模拟）
（2）User-Agent:访问的浏览器（要加上不然会被当成爬虫程序）
（3）cookie：请求头注意携带

4.请求体

若是是get方式，请求体没有内容（get请求的请求体放在 url后面参数中，直接能看到）
若是是post方式，请求体是format data
 ps：
一、登陆窗口，文件上传等，信息都会被附加到请求体内
二、登陆，输入错误的用户名密码，而后提交，就能够看到post，正确登陆后页面一般会跳转，没法捕捉到 post

响应Response

1.响应状态码

200：表明成功
301：表明跳转
404：文件不存在
403：无权限访问
502：服务器错误

2.respone header

响应头须要注意的参数：
（1）Set-Cookie:BDSVRTM=0; path=/：可能有多个，是来告诉浏览器，把cookie保存下来
（2）Content-Location：服务端响应头中包含Location返回浏览器以后，浏览器就会从新访问另外一个页面

3.preview就是网页源代码

JSO数据
如网页html，图片
二进制数据等

总结

爬虫流程：

 爬取--->解析--->存储

爬虫所需工具：

请求库：requests,selenium（能够驱动浏览器解析渲染CSS和JS，但有性能劣势（有用没用的网页都会加载）；） 解析库：正则，beautifulsoup，pyquery 存储库：文件，MySQL，Mongodb，Redis~~