爬虫(网页蜘蛛)原理:
互联网比喻成一张网,每张网上的节点就是数据存储的地方;
Python程序类似蜘蛛,到每个节点中抓取自己的猎物;
爬虫指:模拟客户端给网站发送请求,获取资源后解析并提取有用数据的程序
#只要浏览器能做的事情,爬虫都能做。
爬虫分类:
通用爬虫:通常指搜索引擎的爬虫
聚焦爬虫:针对特定网站的爬虫
聚焦爬虫工作流程:
获得浏览器的url(浏览器的路径)
响应内容
提取url
提取数据
保存数据
爬虫流程:
爬取—>解析—>存储
urllib模块:
一般格式:protocol : // hostname[:port] / path / [;parameters][?query]#fragment
request库:
import requests
r = requests.get(url = "http://www.google.cn/")
print(r.status_code)
r.encoding = 'utf-8'
print(r.url)
print(r.text)
import requests;
r = requests.get(url='http://www.itwhy.org') # 最基本的GET请求
print(r.status_code) # 获取返回状态
r = requests.get(url='http://dict.baidu.com/s', params={'wd': 'python'}) # 带参数的GET请求
print(r.url)
print(r.text)
requests.get(url,params=None,**kwargs)
url:拟获取页面的url链接
params:url中的额外参数,字典或字节流格式,可选
**kwargs:12个控制访问的参数
requests.head(url,**kwargs)
#12个参数:
*params:字典或字节序列,作为参数增加到url中
*data:字典、字节序列或文件对象,作为request的内容
*json:json格式的数据,作为request的内容
*headers:字典,http定制头
cookies:字典或cookiejar,request中的cookie
auth:元组,支持http认证功能
files:字典类型,传输文件
timeout:设定超时时间,以秒为单位
proxies:字典类型,设定访问代理服务器,可以增加登陆认证
allow_redirects:true/false,默认为true,重定向开关
steam:true/false,默认为true,获取内容立即下载开关
verify:true/false,默认为true,认证ssl证书开关
cert:本地ssl证书路径
response对象的属性:
1.r.status_code
返回200代表访问成功,其他值如404都代表访问失败
2.r.text
返回页面的内容
3.r.encoding
返回从Http header中猜测的编码方式
4.r.apparent_encoding
从内容中分析出的响应内容编码方式(备选编码方式)
5.r.content
Http响应内容的二进制形式
requests库的异常
requests.ConnectionError | 网络链接错误一场,如DNS查询失败、拒绝连接等 |
---|---|
requests.HTTPError | HTTP错误异常 |
requests.URLRequired | URL缺失异常 |
requests.TooManyRedirects | 超过最大重定向次数,产生重定向异常 |
requests.ConnectTimeout | 连接远程服务器超时异常 |
requests.Timeout | 请求URL超时,产生超时异常 |
r.raise_for_status | 如果不是200,产生异常requestsHTTPError |
方法 说明
requests.request() 构造一个请求,支撑一下个方法的基础方法
requests.get() 获取HTML网页的主要方法,对应于HTTPGET
requests.head() 获取HTML网页信息头部的方法,对应于HTTP的HEAD
requests.put() 向HTML网页提交POST请求方法,对应HTTP的POST
requests.patch()向HTML网页提交局部修改请求,对应于HTTP的PATCH
requests.delete() 向HTML页面提交删除请求,对应于HTTPDELETE
HTTP协议
URL格式:http://host[:port] [path]
host:合法的Internet主机域名或IP地址
port:端口号,缺省端口为80
path:请求资源的路径
HTTP URL的理解:
URL是通过HTTP协议存取资源的Internet路径,
一个URL对应一个数据资源
HTTP协议对资源的操作
GET | 请求获取URL位置的资源 |
---|---|
HEAD | 请求获取URL位置资源的响应消息报告,机获得该资源的头部信息 |
POST | 请求向URL位置的资源后附加新的数据 |
PUT | 请求想URL位置存储一个资源,覆盖原URL位置的资源 |
PATCH | 请求局部更新URL位置资源,即改变该处资源的部分内容 |
delete | 请求删除URL位置存储的资源 |
网络爬虫的限制
来源审查:判断user-agent进行限制
#检查来访http协议头的user-agent域,只响应浏览器或友好爬虫的访问。
发布公告:robots协议
#告知所有爬虫网站的爬取策略,要求爬虫遵守。
Robots Exclusion Standard 网络爬虫排除标准
作用:网站告知网络爬虫哪些页面可以抓取,哪些不行
形式:在网站根目录下的robots.txt文件
Robots基本语法:
user-agent:* #*表示所有爬虫,user-agent表示爬虫名
disallow:/ # /表示根目录,diallow表示不允许访问的目录
Robots协议的使用:
是建议但非约束性,可以不遵守但存在法律风险
类人行为可不参考Robots协议