★
有理想,有抱负,懂得自律,相信在不久的将来你会成功的!
”
★
打开微信搜索【孩子上学后】,关注这个不一样的程序员。
”
★
本次专辑我打算出【Python爬虫】,从0到1带大家入门爬虫到精通爬虫,接下来会有更加精彩的内容。关注我,跟着我一起来学习爬虫吧!
”
Python爬虫入门:什么是爬虫?
看到上面的那只蜘蛛没?别误会,今天要教你如何玩上面的蜘蛛。我们正式从0到1轻松学会Python爬虫.......
爬虫特点概要
知识碎片化
爬虫方向的知识是十分碎片化的,因为我们写爬虫的时候会面对各种各样的网站,每个网站实现的技术都是相似的,但是大多数时候还是有差别的,这就要求我们对不同的网站使用不同的技术手段。爬虫并不像在学习web的时候要实现某一功能只要按照一定的套路就能做出来。
学习难度
爬虫的入门相对而言还是要比web简单,但是在后期,爬虫的难度要大于web。难点在于爬虫工程师与运维人员进行对抗,可能你写一个网站的爬虫,结果该网站的运维人员加了反爬的措施,那么作为爬虫工程师就要解决这个反爬。
学习特点
学习爬虫并不像学习web,学习web有一个完整的项目可以练手,因为爬虫的特点,也导致学习爬虫是以某网站为对象的,可以理解为一个技术点一个案例。
爬虫的概念
★
模拟浏览器,发送请求,获取响应
”
网络爬虫(又被称为网页蜘蛛、网页机器人)就是模拟客户端(主要是指浏览器)发送请求,接收请求响应,按照一定规则、自动抓取互联网信息的程序。
原则上,只要是浏览器能做的事情,爬虫都能做
爬虫也只能获取浏览器所展示出来的数据
在浏览器中输入百度网址,打开开发者工具,点击network,点击刷新,即可进行抓包。
了解爬虫概念
爬虫的作用
★
爬虫在互联网中的作用
”
数据采集
软件测试
12306抢票
网站投票
网络安全
爬虫的分类
根据被爬网闸的数量不同,可以分为:
通用爬虫,如搜索引擎
聚焦爬虫,如12306抢票,或者专门抓取某一网站的某一类数据
根据是否以获取数据为目的,可以分为:
功能性爬虫,给你喜欢的明星,投票点赞
数据增量式爬虫,比如招聘信息
根据URL地址和对应页面内容是否改变,数据增量爬虫可以分为:
基于URL地址变化,内容变化的增量式爬虫
URL地址不变,内容变化的数据增量式爬虫
了解爬虫分类
爬虫流程
1、获取一个URL
2、向URL发送请求,并获取响应(http协议)
3、如果从响应中提取URL,则继续发送请求获取响应
4、如果从响应中获取数据,则数据进行保存
掌握爬虫流程
http以及https的概念和区别
在爬虫流程的第二步,向URL发送请求,那么就要依赖于HTTP/HTTPS协议。
★
HTTPS比HTTP更安全,但是性能更低
”
HTTP:超文本传输协议,默认端口为80
。超文本:是指超过文本,不限于文本,可以传输图片、视频、音频等数据
。传输协议:是指使用公共约定的固定格式来传递转换成字符串的超文本内容
HTTPS:HTTP+SSL(安全套接字),即带有安全套接字层的超文本传输协议,默认端口443
。SSL对传输内容(超文本,也就是请求头和响应体)进行加密
可以打开一个浏览器访问URL,右键检查,点击network,选择一个URL,查看HTTP协议的形式。
掌握http及https的概念和默认端口
爬虫特别注意的请求头
★
http请求形式如上图所示,爬虫要特别关注以下几个请求头字段
”
Content-Type
Host
Connection
Upgrade-Insecure-Requests(升级为https请求)
User-Agent(用户代理)
Referer
Cookie(保持用户状态)
Authorization(认证信息)
例如,使用浏览器访问百度进行抓包
当我点击view source的时候,就会出现另外一种格式的请求头,这个是原始的版本,如果没有点击view source的请求头格式是经过浏览器优化的。
爬虫特别注意的响应头
set-cookie
cookie是基于服务端生成的,在客户端头信息中,在第一次把请求发送到服务端,服务端生成cookie,存放到客户端,下次发送请求时会带上cookie。
常见的响应状态码
200:成功
302:跳转,新的URL在响应中的Location头中给出
303:浏览器对于post响应进行重定向至新的URL
307:浏览器对于get响应进行重定向至新的URL
403:资源不可用,服务器理解客户端的请求,但拒绝处理它(没有权限)
404:找不到页面
500:服务器内部错误
503:服务器由于维护或者负载过重未能应答。在响应中可能会携带Retry-After响应头,有可能是因为爬虫频繁访问URL,使服务器忽视爬虫的请求,最终返回503状态码
所有的状态码都不可信,一切要以抓包得到的响应中获取的数据为准
network中抓包得到的源码才是判断依据。element中的源码是渲染之后的源码,不能作为判断标准。
了解常见的响应状态码
http请求的过程
1、浏览器在拿到域名对应的IP之后,先向地址栏中的URL发起请求,并获取响应。
2、在返回响应内容(HTML)中,会带有CSS、JS、图片等URL地址,以及Ajax代码,浏览器按照响应内容中的顺序依次发送其他请求,并获取响应。
3、浏览器每获取一个响应就对展示出的结果进行添加(加载),JS、CSS等内容会修改页面内容,JS也可以重新发送请求,获取响应。
4、从获取第一个响应并在浏览器中展示,直到最终获取全部响应,并在展示结果中添加内容或修改,这个过程叫做浏览器的渲染。
注意
在爬虫中,爬虫只会请求URL地址,对应的拿到URL地址对应的响应(该响应可以是HTML、CSS、JS或是是图片、视频等等)。
浏览器渲染出来的页面和爬虫请求抓取的页面很多时候是不一样的,原因是爬虫不具有渲染功能。
浏览器最终展示的结果是由多次请求响应共同渲染的结果
爬虫只对一个URL地址发起请求并得到响应
理解浏览器展示的结果可以是多次请求响应共同渲染的结果,而爬虫是一次请求对应一个响应。
最后
路漫漫其修远兮,吾将上下而求索!
我是啃书君,一个专注于学习的人,你懂得越多,你不懂得越多。
更多精彩内容我们下期再见!