python爬虫原理及源码解析(入门)

一、爬虫是什么？

​ 如果将互联网比作一张大的蜘蛛网，数据便是存放在蜘蛛网的各个节点，而爬虫就是一只小蜘蛛，沿着网络抓取自己的猎物(数据)爬虫指的是：向网站发起请求，获取资源后分析并提取有用数据的程序。

爬虫能通过网址获得网络中的数据、然后根据目标解析数据、存储目标信息，可以节省大量的人力物力，简单地说，网络爬虫就是获取互联网公开数据的自动化工具，像百度、google本质上就是超级爬虫，百度搜索引擎的爬虫叫作百度蜘蛛（Baiduspider）。百度蜘蛛每天会在海量的互联网信息中进行爬取，爬取优质信息并收录，当用户在百度搜索引擎上检索对应关键词时，百度将对关键词进行分析处理，从收录的网页中找出相关网页，按照一定的排名规则进行排序并将结果展现给用户。

二、爬虫的基本原理

网络爬虫，基本原理就是在爬虫程序得到URL(链接)，向目标服务器发起HTTP请求访问，然后目标服务器返回响应结果，爬虫客户端收到响应并从中提取数据，再进行数据清洗、数据存储工作。

• 从技术层面来说就是 通过程序模拟浏览器请求站点的行为，把站点返回的HTML代码/JSON数据/二进制数据(图片、视频) 爬到本地，进而提取自己需要的数据，存放起来使用;

三、HTTP协议与响应

爬虫要向URL发送请求，那么就要依赖于HTTP/HTTPS协议，HTTPS比HTTO更安全，但性能更低

HTTP(Hypertext Transfer Protocol)协议又称超文本传输协议，它是一种客户端与服务器之间的请求-响应协议，比如 浏览器就是可以被看作客户端，在浏览器地址栏输入想访问的网址，浏览器就会向该链接的服务器发送访问请求，然后等待服务返回给浏览器响应

HTTP有不同的请求方法，最常见的两种是GET和POST

• GET方法用于获取数据，如向网页发送get请求得到网页类容
• POST方法用于创建数据，如在浏览器中提交表单信息时，浏览器会发送POST请求

一个完整的HTTP请求数据里面包含三部分类容：请求行、请求头、请求体

请求行

在以上URL请求链接中www.douban.com域名后的第一个斜杠表示资源路径的根，所以/movie/top250就是要访问的资源路径，在请求行中可以添加查询参数，可以传递给服务器额外的信息。请求行中的HTTP/1.1表示HTTP的协议版本

请求头

用于告知客户端的相关信息，比如请求时浏览器发出的还是其它程序发出来的，如果是浏览器的话则展示类型、版本等等信息

请求体

请求体里面可以放客户端传给服务器的其它任意数据，但get方法的请求体一般是空的

4、爬虫实现源码

以下使用的作为示范的编译器是PyCharm

引入第三方库

首先引入requests与bs4的第三方库

引入requests

requests是Python中可以用代码来模拟发送网络请求，并得到响应数据的一个第三方库requests

在终端(terminal)输入：pip install requests

显示此信息表示安装成功

引入bs4

BeautifulSoup又称bs4，和lxml一样，是一个html的解析器，主要功能也是解析和提取数据

在终端(terminal)输入：pip install bs4

显示此信息表示安装成功

编写简易爬虫

以下爬虫是扒取豆瓣电影Top250的信息

源码

import requests
from bs4 import BeautifulSoup

# 修改请求头中的User-Agent参数 以达到模拟用户访问的效果
headers = {
    "User-Agent": "Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/112.0.0.0 "
                  "Safari/537.36 Edg/112.0.1722.48"
}
# 循环判断 获取分页数据 从0-250 每次分页加25值
for start_num in range(0, 250, 25):
    # get方式请求链接 并扒取html数据
    response = requests.get(f"https://movie.douban.com/top250?start={start_num}", headers=headers)
    html = response.text
    # 使用BeautifulSoup方法 获取html
    soup = BeautifulSoup(html, "html.parser")
    # 指定span标签
    all_title = soup.findAll("span", attrs={"class": "title"})
    # 循环html标签下的 span标签
    for title in all_title:
        # 声明索引值
        title_string = title.string
        # if判断 不趴取span标签中 含下滑线/
        if "/" not in title_string:
            # 打印索引值
            print(title_string)

以上爬虫代码扒的页面数据所以要观察 页面的html元素

进入https://movie.douban.com/top250链接 f12查看页面的html元素 选择到要扒的数据 可以看到

该条数据(肖申克的救赎)是在span标签里且class值为title的元素 然后用这些条件指定到该标签的值

soup.findAll(“span”, attrs={“class”: “title”})

分页扒取数据

在跳转下一页时观察 请求行的变化

可以看出多了 start=75 的请求参数，此请求参数不同则跳转的分页页面也不同

然后就是for循环遍历了，敲几遍很好理解