初识爬虫之爬虫概述篇

爬虫概述

我们可以把互联网比作一张大网，而爬虫（即网络爬虫）便是在网上爬行的蜘蛛。 把网的节点比作一个个网页，爬虫爬到这就相当于访问了该页面，获取了其信息 。 可以把节点间的连线比作网页与网页之间的链接关系，这样蜘蛛通过一个节点后，可以顺着节点连线继续爬行到达下一个节点，即通过一个网页继续获取后续的网页，这样整个网的节点便可以被蜘蛛全部爬行到，网站的数据就可以被抓取下来了 。

---

获取网页

爬虫首先要做的工作就是获取网页，这里就是获取网页的源代码 。我们不可能去网页把那些源代码复制过来吧，在Python里面我们有很多第三方库来帮助我们解决这些繁琐的问题。

提取信息

获取网页源代码后，接下来就是分析网页源代码，从中提取我们想要的数据 。首先，最通用的方法便是采用正则表达式提取，这是一个万能的方法，但是在构造正则表达式时比较复杂且容易出错。（之前我们也说过这个东西）

这个时候我就需要一些Python第三方库来解析这些数据，如 Beautiful Soup 、 pyquery 、 lxml 等 。提取信息是爬虫非常重要的部分，它可以使杂乱的数据变得条理清晰 ，以便我们后续处理和分析数据。

保存数据

提取信息后，我们一般会将提取到的数据保存到某处以便后续使用 。 这里保存形式有多种多样，如可以简单保存为 TXT 文本或 JSON 文本，也可以保存到数据库，如 MySQL 和 MongoDB 等 ，也可保存至远程服务器，如借助 SFTP 进行操作等。

基本的爬虫原理和思路也就是这样，我们平时自己在搭建框架的时候就要这种思想。

---

静态网页和动态网页

静态网页通过最简单的一些HTML代码进行搭建，在通过一些服务器进行实现，虽然简单，但是也有缺点可维护性差，灵活性差。因此，动态网页应运而生，它可以动态解析 URL 中参数的变化，关联数据库井动态呈现不同的页面内容，非常灵活多变。 我们现在遇到的大多数网站都是动态阿站，它们不再是一个简单的 HTML ,而是可能由 JSP 、 PHP 、 Python 等语言编写的，其功能比静态网页强大和丰富太多了 。

会话

会话，其本来的含义是指有始有终的一系列动作／消息 。而在 Web 中，会话对象用来存储特定用户会话所需的属性及配置信息 。 这样，当用户在应用程序的 Web 页之间跳转时，存储在会话对象中的变量将不会丢失，而是在整个用户会话中一直存在下去 。当用户请求来自应用程序的 Web 页时如果该用户还没有会话， 则 Web 服务器将自动创建一个会话对象。 当会话过期或被放弃后，服务器将终止该会话。

cookies

这个概念相信大家都有体验，在我们登陆网站的时候，经常会提醒我们去保存密码，下一次登陆就不用输入自己的密码了。这个就是利用了cookies的和会话。

---

代理

前方高能
我们在做爬虫的过程巾经常会遇到这样的情况 ， 最初爬虫正常运行，正常抓取数据，一切看起来都是那么美好，然而一杯茶的功夫可能就会出现错误，比如 403 Forbidden ， 这时候打开网页一看 ，可能会看到“您的 IP 访问频率太高”这样的提示 。 出现这种现象的原因是网站采取了一些反爬虫措施。比如，服务器会检测某个 IP 在单位时间内的请求次数，如果超过了这个阔值，就会直接拒绝服务，返问一些错误信息，这种情况可以称为封 IP 。这个时候就凉了，电脑IP被封了就很麻烦的，通常我们在写一些高级爬虫的时候，我们需要去用代理IP，或者延时访问。

在这里我建议大家不要去网上随意复制运行一些爬虫项目，说不定你看懂别人的代码，如果没有加延时，或者其他反爬措施，这样对你自己也不安全，对网站也是一种负担！

基本原理

通过伪装自己的IP，这个时候我们设置了代理服务器。在访问的时候，我们就不是直接通过web访问的，由代理服务器再发送给 Web 服务器，接着由代理服务器再把 Web 服务器返回的响应转发给本机。 就算IP被识别了也没有关系，因为我们使用并不是自己的IP。

注意

使用网上的免费代理： 最好使用高匿代理 ， 另外可用的代理不多，需要在使用前筛选一下可用代理，也可以进一步维护一个代理池 。
互联网上存在许多代理商，可以付费使用， 质量比免费代理好很多。