Python爬虫从入门到精通——爬虫基础：爬虫的基本原理，从零开始学！

一、爬虫概述

简单来说，爬虫就是获取网页并提取和保存信息的自动化程序，下面概要介绍一下。

(1) 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。源代码里包含了网页的部分有用信息，所以只要把源代码获取下来，就可以从中提取想要的信息了。

前面讲了请求和响应的概念，向网站的服务器发送一个请求，返回的响应体便是网页源代码。所以，最关键的部分就是构造一个请求并发送给服务器，然后接收到响应并将其解析出来，那么这个流程怎样实现呢？总不能手工去截取网页源码吧？

不用担心，Python提供了许多库来帮助我们实现这个操作，如urllib、requests等。我们可以用这些库来帮助我们实现HTTP请求操作，请求和响应都可以用类库提供的数据结构来表示，得到响应之后只需要解析数据结构中的Body部分即可，即得到网页的源代码，这样我们可以用程序来实现获取网页的过程了。

(2) 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。

另外，由于网页的结构有一定的规则，所以还有一些根据网页节点属性、CSS选择器或XPath来提取网页信息的库，如Beautiful Soup、pyquery、lxml等。使用这些库，我们可以高效快速地从中提取网页信息，如节点的属性、文本值等。

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。

(3) 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。

(4) 自动化程序

说到自动化程序，意思是说爬虫可以代替人来完成这些操作。首先，我们手工当然可以提取这些信息，但是当量特别大或者想快速获取大量数据的话，肯定还是要借助程序。爬虫就是代替我们来完成这份爬取工作的自动化程序，它可以在抓取过程中进行各种异常处理、错误重试等操作，确保爬取持续高效地运行。

二、爬虫的用途

现如今大数据时代已经到来，网络爬虫技术成为这个时代不可或缺的一部分，企业需要数据来分析用户行为、自己产品的不足之处以及竞争对手的信息等，而这一切的首要条件就是数据的采集。网络爬虫的价值其实就是数据的价值，在互联网社会中，数据是无价之宝，一切皆为数据，谁拥有了大量有用的数据，谁就拥有了决策的主动权。

网络爬虫目前主要的应用领域如：搜索引擎、数据采集、数据分析、信息聚合、竞品监控、认知智能、舆情分析等等，爬虫业务相关的公司数不胜数，如百度、谷歌、天眼查、企查查、新榜、飞瓜等等，在大数据时代，爬虫的应用范围广、需求大，简单举几个贴近生活的例子：

• **求职需求：**获取各个城市的招聘信息及薪资标准，方便筛选出适合自己的；

• **租房需求：**获取各个城市的租房信息，以便挑选出心仪的房源；

• **美食需求：**获取各个地方的好评美食，让吃货不迷路；

• **购物需求：**获取各个商家同一个商品的价格及折扣信息，让购物更实惠；

• **购车需求：**获取心仪车辆近年的价格波动，以及不同渠道各车型的价格，助力挑选爱车。

三、URI 及 URL 的含义

URI（Uniform Resource Identifier），即统一资源标志符，URI（Uniform Resource Location），即统一资源定位符，例如 https://www.kuaidaili.com/ ，既是一个 URI，也是一个 URL，URL 是 URI 的子集，对于一般的网页链接，习惯称为 URL，一个 URL 的基本组成格式如下：

scheme://[username:password@]host[:port][/path][;parameters][?query][#fragment]

各部分含义如下：

1. **scheme：**获取资源使用的协议，例如 http、https、ftp 等，没有默认值，scheme 也被称为 protocol；

2. **username:password：**用户名与密码，某些情况下 URL 需要提供用户名和密码才能访问，这是个特殊的存在，一般访问 ftp 时会用到，显式的表明了访问资源的用户名与密码，但是可以不写，不写的话可能会让输入用户名密码；

3. **host：**主机地址，可以是域名或 IP 地址，例如 www.kuaidaili.com、112.66.251.209；

4. **port：**端口，服务器设定的服务端口，http 协议的默认端口为 80，https 协议的默认端口为 443，例如 https://www.kuaidaili.com/ 相当于 https://www.kuaidaili.com:443；

5. **path：**路径，指的是网络资源在服务器中的指定地址，通过 host:port 我们能找到主机，但是主机上文件很多，通过 path 则可以定位具体文件。例如 https://www.baidu.com/file/index.html，path 为 /file/index.html，表示我们访问 /file/index.html 这个文件；

6. **parameters：**参数，用来指定访问某个资源时的附加信息，主要作用就是像服务器提供额外的参数，用来表示本次请求的一些特性，例如 https://www.kuaidaili.com/dps;kspider，kspider 即参数，现在用的很少，大多数将 query 部分作为参数；

7. **query：**查询，由于查询某类资源，若多个查询，则用 & 隔开，通过 GET 方式请求的参数，例如：https://www.kuaidaili.com/dps/?username=kspider&type=spider，query 部分为 username=kspider&type=spider，指定了 username 为 kspider，type 为 spider；

8. **fragment：**片段，对资源描述的部分补充，用来标识次级资源，例如 https://www.kuaidaili.com/dps#kspider，kspider 即为 fragment 的值：

   • 应用：单页面路由、HTML 锚点；

   • # 有别于 ?，? 后面的查询字符串会被网络请求带上服务器，而 fragment 不会被发送的服务器；

   • fragment 的改变不会触发浏览器刷新页面，但是会生成浏览历史；

   • fragment 会被浏览器根据文件媒体类型（MIME type）进行对应的处理；

   • 默认情况下 Google 的搜索引擎会忽略 # 及其后面的字符串，如果想被浏览引擎读取，需要在 # 后紧跟一个 ! ，Google 会自动将其后面的内容转成查询字符串 _escaped_fragment_ 的值，如 https://www.kuaidaili.com/dps#!kspider，转换后为 https://www.kuaidaili.com/dps?escaped_fragment=kspider。

由于爬虫的目标是获取资源，而资源都存储在某个主机上，所以爬虫爬取数据时必须要有一个目标的 URL 才可以获取数据，因此，URL 是爬虫获取数据的基本依据，准确理解 URL 的含义对爬虫学习有很大帮助。

四、爬虫的基本流程

1. **发起请求：**通过 URL 向服务器发起 Request 请求（同打开浏览器，输入网址浏览网页），请求可以包含额外的 headers、cookies、proxies、data 等信息，Python 提供了许多库，帮助我们实现这个流程，完成 HTTP 请求操作，如 urllib、requests 等；
2. **获取响应内容：**如果服务器正常响应，会接收到 Response，Response 即为我们所请求的网页内容，包含 HTML（网页源代码），JSON 数据或者二进制的数据（视频、音频、图片）等；
3. **解析内容：**接收到响应内容后，需要对其进行解析，提取数据内容，如果是 HTML（网页源代码），则可以使用网页解析器进行解析，如正则表达式（re）、Beautiful Soup、pyquery、lxml 等；如果是 JSON 数据，则可以转换成 JSON 对象进行解析；如果是二进制的数据，则可以保存到文件进行进一步处理；
4. **保存数据：**可以保存到本地文件（txt、json、csv 等），或者保存到数据库（MySQL，Redis，MongoDB 等），也可以保存至远程服务器，如借助 SFTP 进行操作等。

五、爬虫的基本架构

爬虫的基本架构主要由五个部分组成，分别是爬虫调度器、URL 管理器、网页下载器、网页解析器、信息采集器：

1. **爬虫调度器：**相当于一台电脑的 CPU，主要负责调度 URL 管理器、下载器、解析器之间的协调工作，用于各个模块之间的通信，可以理解为爬虫的入口与核心，爬虫的执行策略在此模块进行定义；
2. **URL 管理器：**包括待爬取的 URL 地址和已爬取的 URL 地址，防止重复抓取 URL 和循环抓取 URL，实现 URL 管理器主要用三种方式，通过内存、数据库、缓存数据库来实现；
3. **网页下载器：**负责通过 URL 将网页进行下载，主要是进行相应的伪装处理模拟浏览器访问、下载网页，常用库为 urllib、requests 等；
4. **网页解析器：**负责对网页信息进行解析，可以按照要求提取出有用的信息，也可以根据 DOM 树的解析方式来解析。如正则表达式（re）、Beautiful Soup、pyquery、lxml 等，根据实际情况灵活使用；
5. **数据存储器：**负责将解析后的信息进行存储、显示等数据处理。

01

六、robots 协议

robots 协议也称爬虫协议、爬虫规则等，是指网站可建立一个 robots.txt 文件来告诉搜索引擎哪些页面可以抓取，哪些页面不能抓取，而搜索引擎则通过读取 robots.txt 文件来识别这个页面是否允许被抓取。但是，这个robots协议不是防火墙，也没有强制执行力，搜索引擎完全可以忽视 robots.txt 文件去抓取网页的快照**。** 如果想单独定义搜索引擎的漫游器访问子目录时的行为，那么可以将自定的设置合并到根目录下的 robots.txt，或者使用 robots 元数据（Metadata，又称元数据）。

robots 协议并不是一个规范，而只是约定俗成的，所以并不能保证网站的隐私，俗称 “君子协议”。

robots.txt 文件内容含义：

• User-agent：*, 这里的 * 代表的所有的搜索引擎种类，* 是一个通配符
• Disallow： /admin/, 这里定义是禁止爬取 admin 目录下面的目录
• Disallow： /require/, 这里定义是禁止爬取 require 目录下面的目录
• Disallow：/ABC/, 这里定义是禁止爬取 ABC 目录下面的目录
• Disallow：/cgi-bin/*.htm, 禁止访问 /cgi-bin/ 目录下的所有以 “.htm” 为后缀的 URL(包含子目录)
• Disallow:/*?*, 禁止访问网站中所有包含问号 (?) 的网址
• Disallow:/.jpg$, 禁止抓取网页所有的 .jpg 格式的图片
• Disallow:/ab/adc.html, 禁止爬取 ab 文件夹下面的 adc.html 文件
• Allow:/cgi-bin/, 这里定义是允许爬取 cgi-bin 目录下面的目录
• Allow:/tmp, 这里定义是允许爬取 tmp 的整个目录
• Allow: .htm$, 仅允许访问以 “.htm” 为后缀的 URL
• Allow: .gif$, 允许抓取网页和 gif 格式图片
• Sitemap：网站地图, 告诉爬虫这个页面是网站地图

查看网站 robots 协议，网站 url 加上后缀 robotst.txt 即可，以快代理为例：

https://www.kuaidaili.com/

02

• 禁止所有搜索引擎访问网站的任何部分
• 禁止爬取 /doc/using/ 目录下面的目录
• 禁止爬取 /doc/dev 目录下面所有以 sdk 开头的目录及文件