爬虫基本原理

爬虫基本原理

1、爬虫是什么?

百度百科和维基百科对网络爬虫的定义：简单来讲爬虫就是抓取目标网站内容的工具，通常是根据定义的行为自动进行抓取, 对网页或数据的分析与过滤；抓取的网页URL进行爬行策略

爬虫要作的是什么？ 咱们所谓的上网即是由用户端计算机发送请求给目标计算机，将目标计算机的数据下载到本地的过程。 用户获取网络数据的方式是： 浏览器提交请求->下载网页代码->解析/渲染成页面。 爬虫程序要作的就是： 模拟浏览器发送请求->下载网页代码->只提取有用的数据->存放于数据库或文件中 区别在于: 咱们的爬虫程序只提取网页代码中对咱们有用的数据 为何要作爬虫 爬虫的价值： 互联网中最有价值的即是数据，好比天猫商城的商品信息，链家网的租房信息，雪球网的证券投资信息等等， 这些数据都表明了各个行业的真金白银，能够说，谁掌握了行业内的第一手数据，谁就成了整个行业的主宰，若是把整个互联网的数据比喻为一座宝藏， 那咱们的爬虫课程就是来教你们如何来高效地挖掘这些宝藏，掌握了爬虫技能，你就成了全部互联网信息公司幕后的老板，换言之，它们都在免费为你提供有价值的数据。

2、爬虫的基本流程

#一、发起请求
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

#二、获取响应内容
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

#三、解析内容
解析html数据：正则表达式，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b的方式写入文件

#四、保存数据
数据库
文件

3、请求与响应

#http协议：http://www.cnblogs.com/qiangyuge/p/8353307.html
#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。

4、Request

#一、请求方式：
    经常使用的请求方式：GET，POST
    其余请求方式：HEAD，PUT，DELETE，OPTHONS

    ps：用浏览器演示get与post的区别，（用登陆演示post）

    post与get请求最终都会拼接成这种形式：k1=xxx&k2=yyy&k3=zzz
    post请求的参数放在请求体内：
        可用浏览器查看，存放于form data内
    get请求的参数直接放在url后

#二、请求url
    url全称统一资源定位符，如一个网页文档，一张图片
    一个视频等均可以用url惟一来肯定

    url编码
    https://www.baidu.com/s?wd=图片
    图片会被编码（看示例代码）


    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

#三、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

    通常作爬虫都会加上请求头


#四、请求体
    若是是get方式，请求体没有内容
    若是是post方式，请求体是format data

    ps：
    1、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 

#! /usr/bin/env python
# -*- coding: utf-8 -*-

import requests
from urllib.parse import urlencode
# 请求方式
kwords = input("请输入关键字:>>").strip()
res = urlencode({"wd":kwords}) #     # 请求的url,当你在百度输入中文的时候，你把url拿下来会变成下面的这样格式的url，因此得urlencode一下
url ="https://www.baidu.com/s?"+res   #https://www.baidu.com/s?wd=%E5%9B%BE%E7%89%87

response = requests.get(
    # 请求的url,当你在百度输入中文的时候，你把url拿下来会变成下面的这样格式的url
    url,
    # 请求头
    headers={
        "User-Agent": "Mozilla/5.0 (Windows NT 6.1; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) "
                      "Chrome/63.0.3239.108 Safari/537.36",
    },
)
with open("a.html","w",encoding="utf-8") as f:
    f.write(response.text)
print(response.status_code)

View Code

#! /usr/bin/env python
# -*- coding: utf-8 -*-
import requests
from urllib.parse import urlencode

kwords = input("请输入关键字:>>").strip()
response = requests.get(
    "https://www.baidu.com/s?",
    # 请求的url,当你在百度输入中文的时候，你把url拿下来会变成下面的这样格式的url
    params={
        "wd": kwords,
        'pn': 20
    },
    # 请求头
    headers={
        "User-Agent": "Mozilla/5.0 (Windows NT 6.1; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/63.0.3239.108 Safari/537.36",
    },
)
with open("b.html", "w", encoding="utf-8") as f:
    f.write(response.text)
print(response.status_code)

View Code

五 Response

#一、响应状态
    200：表明成功
    301：表明跳转
    404：文件不存在
    403：权限
    502：服务器错误

#二、Respone header
    set-cookie：可能有多个，是来告诉浏览器，把cookie保存下来
    
#三、preview就是网页源代码
    最主要的部分，包含了请求资源的内容
    如网页html，图片
    二进制数据等

六 总结

#一、总结爬虫流程：
    爬取--->解析--->存储

#二、爬虫所需工具：
    请求库：requests,selenium
    解析库：正则，beautifulsoup，pyquery
    存储库：文件，MySQL，Mongodb，Redis

#三、爬虫经常使用框架：
    scrapy