爬蟲基本原理

爬蟲基本原理

一、爬蟲是什么?

百度百科和維基百科對網(wǎng)絡(luò)爬蟲的定義：簡單來說爬蟲就是抓取目標網(wǎng)站內(nèi)容的工具，一般是根據(jù)定義的行為自動進行抓取, 對網(wǎng)頁或數(shù)據(jù)的分析與過濾；抓取的網(wǎng)頁URL進行爬行策略

爬蟲要做的是什么？
我們所謂的上網(wǎng)便是由用戶端計算機發(fā)送請求給目標計算機，將目標計算機的數(shù)據(jù)下載到本地的過程。

用戶獲取網(wǎng)絡(luò)數(shù)據(jù)的方式是：
      瀏覽器提交請求->下載網(wǎng)頁代碼->解析/渲染成頁面。
爬蟲程序要做的就是：
      模擬瀏覽器發(fā)送請求->下載網(wǎng)頁代碼->只提取有用的數(shù)據(jù)->存放于數(shù)據(jù)庫或文件中

區(qū)別在于:
      我們的爬蟲程序只提取網(wǎng)頁代碼中對我們有用的數(shù)據(jù)

為什么要做爬蟲 
爬蟲的價值：
互聯(lián)網(wǎng)中最有價值的便是數(shù)據(jù)，比如天貓商城的商品信息，鏈家網(wǎng)的租房信息，雪球網(wǎng)的證券投資信息等等，
這些數(shù)據(jù)都代表了各個行業(yè)的真金白銀，可以說，誰掌握了行業(yè)內(nèi)的第一手數(shù)據(jù)，誰就成了整個行業(yè)的主宰，如果把整個互聯(lián)網(wǎng)的數(shù)據(jù)比喻為一座寶藏，
那我們的爬蟲課程就是來教大家如何來高效地挖掘這些寶藏，掌握了爬蟲技能，你就成了所有互聯(lián)網(wǎng)信息公司幕后的老板，換言之，它們都在免費為你提供有價值的數(shù)據(jù)。

二、爬蟲的基本流程

#1、發(fā)起請求
使用http庫向目標站點發(fā)起請求，即發(fā)送一個Request
Request包含：請求頭、請求體等

#2、獲取響應(yīng)內(nèi)容
如果服務(wù)器能正常響應(yīng)，則會得到一個Response
Response包含：html，json，圖片，視頻等

#3、解析內(nèi)容
解析html數(shù)據(jù)：正則表達式，第三方解析庫如Beautifulsoup，pyquery等
解析json數(shù)據(jù)：json模塊
解析二進制數(shù)據(jù):以b的方式寫入文件

#4、保存數(shù)據(jù)
數(shù)據(jù)庫
文件

三、請求與響應(yīng)

#http協(xié)議：http://www.cnblogs.com/qiangyuge/p/8353307.html
#Request：用戶將自己的信息通過瀏覽器（socket client）發(fā)送給服務(wù)器（socket server）

#Response：服務(wù)器接收請求，分析用戶發(fā)來的請求信息，然后返回數(shù)據(jù)（返回的數(shù)據(jù)中可能包含其他鏈接，如：圖片，js，css等）

#ps：瀏覽器在接收Response后，會解析其內(nèi)容來顯示給用戶，而爬蟲程序在模擬瀏覽器發(fā)送請求然后接收Response后，是要提取其中的有用數(shù)據(jù)。

四、Request

#1、請求方式：
    常用的請求方式：GET，POST
    其他請求方式：HEAD，PUT，DELETE，OPTHONS

    ps：用瀏覽器演示get與post的區(qū)別，（用登錄演示post）

    post與get請求最終都會拼接成這種形式：k1=xxx&k2=yyy&k3=zzz
    post請求的參數(shù)放在請求體內(nèi)：
        可用瀏覽器查看，存放于form data內(nèi)
    get請求的參數(shù)直接放在url后

#2、請求url
    url全稱統(tǒng)一資源定位符，如一個網(wǎng)頁文檔，一張圖片
    一個視頻等都可以用url唯一來確定

    url編碼
    https://www.baidu.com/s?wd=圖片
    圖片會被編碼（看示例代碼）

    網(wǎng)頁的加載過程是：
    加載一個網(wǎng)頁，通常都是先加載document文檔，
    在解析document文檔的時候，遇到鏈接，則針對超鏈接發(fā)起下載圖片的請求

#3、請求頭
    User-agent：請求頭中如果沒有user-agent客戶端配置，
    服務(wù)端可能將你當做一個非法用戶
    host
    cookies：cookie用來保存登錄信息

    一般做爬蟲都會加上請求頭

#4、請求體
    如果是get方式，請求體沒有內(nèi)容
    如果是post方式，請求體是format data

    ps：
    1、登錄窗口，文件上傳等，信息都會被附加到請求體內(nèi)
    2、登錄，輸入錯誤的用戶名密碼，然后提交，就可以看到post，正確登錄后頁面通常會跳轉(zhuǎn)，無法捕捉到post 

'''
遇到問題沒人解答？小編創(chuàng)建了一個Python學習交流QQ群：857662006 
尋找有志同道合的小伙伴，互幫互助,群里還有不錯的視頻學習教程和PDF電子書！
'''
#! /usr/bin/env python
# -*- coding: utf-8 -*-

import requests
from urllib.parse import urlencode
# 請求方式
kwords = input("請輸入關(guān)鍵字:>>").strip()
res = urlencode({"wd":kwords}) #     # 請求的url,當你在百度輸入中文的時候，你把url拿下來會變成下面的這樣格式的url，所以得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(
    # 請求的url,當你在百度輸入中文的時候，你把url拿下來會變成下面的這樣格式的url
    url,
    # 請求頭
    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)

'''
遇到問題沒人解答？小編創(chuàng)建了一個Python學習交流QQ群：857662006 
尋找有志同道合的小伙伴，互幫互助,群里還有不錯的視頻學習教程和PDF電子書！
'''
#! /usr/bin/env python
# -*- coding: utf-8 -*-
import requests
from urllib.parse import urlencode

kwords = input("請輸入關(guān)鍵字:>>").strip()
response = requests.get(
    "https://www.baidu.com/s?",
    # 請求的url,當你在百度輸入中文的時候，你把url拿下來會變成下面的這樣格式的url
    params={
        "wd": kwords,
        'pn': 20
    },
    # 請求頭
    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)

五 Response

#1、響應(yīng)狀態(tài)
    200：代表成功
    301：代表跳轉(zhuǎn)
    404：文件不存在
    403：權(quán)限
    502：服務(wù)器錯誤

#2、Respone header
    set-cookie：可能有多個，是來告訴瀏覽器，把cookie保存下來

#3、preview就是網(wǎng)頁源代碼
    最主要的部分，包含了請求資源的內(nèi)容
    如網(wǎng)頁html，圖片
    二進制數(shù)據(jù)等

六 總結(jié)

#1、總結(jié)爬蟲流程：
    爬取--->解析--->存儲

#2、爬蟲所需工具：
    請求庫：requests,selenium
    解析庫：正則，beautifulsoup，pyquery
    存儲庫：文件，MySQL，Mongodb，Redis

#3、爬蟲常用框架：
    scrapy