Python爬虫知识汇总

最近迷上了爬虫，游走在各大网站中，有时候真的感觉自己就是一只蜘蛛，云游在海量的数据中，爬取自己想要的东西，当然前提是在合法合规的情况下进行。今后一段时间，我可能会分享自己爬取数据的过程及结果，与君分享，共勉之！下面是关于爬虫的基本介绍，希望对你有所帮助。

概念：通俗理解：爬虫是一个模拟人类请求网站行为的程序。可以自动请求网页、并把数据抓取下来，然后使用一定的规则提取有价值的数据。

基本流程：

• 获取网页源代码：通过请求库来实现，urllib，requests等实现http请求

• 提取信息：分析网页源代码，提取数据，如正则表达式，beautiful、soup，pyquery，lxml等

• 保存数据：保存为txt，json或数据库

爬什么数据：

• Html代码

• Json字符串（api接口，手机端大部分是这种数据格式）

• 二进制文件（图片，音频，视频等）

• 各种扩展名的文件：css，JavaScript，各种配置文件等

JavaScript渲染页面：

• 用urllib或requests抓取网页时，得到的源代码和浏览器中看到的不一样

• 越来越多的网页采用ajax、前端模块化工具来构建，整个网页都是JavaScript渲染出来的

• 需要分析ajax接口，或使用selenium等库实现模拟JavaScript渲染

• 页面渲染：

应用场景：

1. 搜索引擎

2. 伯乐在线

3. 慧慧购物助手

4. 数据分析

5. 抢票软件等

切记：

• Robots协议（也称为爬虫协议、机器人协议等）的全称是“网络爬虫排除标准”（Robots Exclusion Protocol），网站通过Robots协议告诉搜索引擎哪些页面可以抓取，哪些页面不能抓取

• 当一个搜索蜘蛛访问一个站点时，它会首先检查该站点根目录下是否存在robots.txt，如果存在，搜索机器人就会按照该文件中的内容来确定访问的范围；如果该文件不存在，所有的搜索蜘蛛将能够访问网站上所有没有被口令保护的页面

HTTP协议：

全称是HyperText Transfer Protocol，中文意思是超文本传输协议，是一种发布接收html页面的方法。服务器端口号是80端口。HTTPS协议：是http协议的加密版本，在http下加入了SSL层。服务器端口号是443端口。

URL：

URL是Uniform Resource Locator的简写，统一资源定位符。一个URL由以下几个部分组成：

scheme://host:port/path/?query-string=xxx#anchor

1. 1. scheme：代表的是访问的协议，一般为http或者https以及ftp等

   2. host：主机号，域名，比如www.baidu.com

   3. port：端口号。当你访问一个网站的时候，浏览器默认使用80端口

   4. path：查找路径。比如www.jianshu.com/trending/now，后面的trending/now就是path

   5. query-string：查询字符串，比如：www.baidu.com/s?wd=python，后面的wd=python就是查询字符串

   6. anchor：描点，前端用来做页面定位的。比如一些前后端分离项目，也用描点来做导航

在浏览器中请求一个url，浏览器会对这个url进行一个编码。除英文字母，数字和部分符号外，其他的全部使用百分号+十六进制码值进行编码。

常见的请求method：

在http协议中，定义了八种请求方法，这里介绍两种常用的请求方法，分别是get请求和post请求。

1. get请求：一般情况下，只从服务器获取数据下来，并不会对服务器资源产生任何影响的时候会用get请求

2. post请求：向服务器发送数据（登录）、上传文件等，会对服务器资源产生影响的时候会使用post请求。以上是在网站开发中常用的两种方法。并且一般情况下都会遵循使用的原则。但是有的网站和服务器为了做反爬虫机制，也经常会不按常理出牌，有可能一个应该使用get方法的请求就一定要改为post请求，这个要视情况而定

一般请求方法：urlopen（）和Request

urlopen方法：

#get请求，访问百度import urllib.requestresponse=urllib.request.urlopen('http://www.baidu.com')print(response.read().decode('utf-8'))#解码后的响应

上面得到的响应是和浏览器开发者工具里面获得的一致，这里包含了指定页面上所有的信息，接下来就需要从这里面提取我们想要的数据或文本信息了。

对于post请求：​​​​​​​

import urllib.parseimport urllib.requestda = bytes(urllib.parse.urlencode({'word':'hello'}),encoding='utf-8')#urlencode方法将参数字典转换为字符串response = urllib.request.urlopen('http://httpbin.org/post',data=da)print(response.read())

由于post请求是以表单的形式进行的，所以这里需要parse方法。

 Request请求方法：

声明一个request对象，该对象可以包括header等信息，然后用urlopen打开。​​​​​​​

#Request,可以加headers信息import urllib.requestheaders={'User-Agent':'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/71.0.3578.98 Safari/537.36'}request = urllib.request.Request('http://www.baidu.com',headers=headers)response = urllib.request.urlopen(request)print(response.read().decode('utf-8'))

注意：这里只加了headers中的User-Agent的信息，还可以加Cookie、Host等信息，高度模仿人为请求过程，尽可能避免网站后台识别或封杀。

常见的请求头参数:

在http协议中，向服务器发送一个请求，数据分为三部分，第一个是把数据放在url中，第二个是把数据放在body中（在post请求中），第三个就是把数据放在head中。这里介绍在网络爬虫中经常会用到的一些请求头参数：

1. User-Agent：浏览器名称。这个在网络爬虫中经常会被使用到。请求一个网页的时候，服务器通过这个参数就可以知道这个请求是由哪种浏览器发送的，如果我们是通过爬虫发送请求，那么我们的User-Agent就是python，这对于那些有反爬机制的网站来说，可以轻易的判断你这个请求是爬虫。因此我们要经常设置这个值为一些浏览器的值，来伪装我们的爬虫

2. Referer：表明当前这个请求是从哪个url过来的。这个一般也可以用来做反爬虫技术。如果不是从指定页面过来的，那么不做相应的响应

3. Cookie：http协议是无状态的。也就是同一个人发送了两次请求，服务器没有能力直到这两个请求是否来自同一个人。因此这时候就用cookie来做标识。一般如果想要做登录后才能访问的网站，那么就需要发送cookie信息

常见的响应状态码:

1. 1. 200：请求正常，服务器返回正常的返回数据

   2. 301：永久重定向。比如在访问www.jingdong.com的时候会重定向到www.jd.com

   3. 302：临时重定向。比如在访问一个需要登录的页面的时候，而此时没有登陆，那么就会定向到登录页面

   4. 400：请求的url在服务器上找不到。换句话说就是请求url错误

   5. 403：服务器拒绝访问，权限不够

   6. 500：服务器内部错误。可能是服务器出现bug了1010

【学习交流群853991558】下方分享一些教程资料，大家可以看下：

python入门

Python的封装

Python网络编程

Python爬虫开发

django项目案例精讲

Python爬虫之万能抓取方式selenium

快速学习爬虫基础