Python爬虫基础总结

​ 

活动地址：CSDN21天学习挑战赛

学习的最大理由是想摆脱平庸，早一天就多一份人生的精彩；迟一天就多一天平庸的困扰。

学习日记

目录

学习日记

一、关于爬虫

1、爬虫的概念

2、爬虫的优点

3、爬虫的分类

4、重要提醒

5、反爬和反反爬机制

6、协议

7、常用请求头和常用的请求方法

8、常见的响应状态码

9、url的详解

二、爬虫基本流程

三、可能需要的库

四、小例

1、requests请求网页

2、python解析网页源码 （使用BeautifulSoup+lxml解析网页源码）

3、保存数据的方法 

 五、Chrmoe浏览器

---

一、关于爬虫

1、爬虫的概念

    爬虫(spider，又网络爬虫)，是指向网站/网络发起请求，获取资源后分析并提取有用数据的程序。它可以帮助我们在互联网上自动的获取数据和信息，其本质是一段程序。原则上,只要是浏览器(客户端)能做的事情，爬虫都能够做。

    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。

2、爬虫的优点

        爬虫是一种从网络上高速提取数据的方式。可以把爬虫看成一个机器人，不停地点开一个个网页，从里面复制指定文本或图片进行保存（假设需求就是保存指定文本或图片）。它的手速非常非常快，一瞬间本地磁盘中就已经存了一大堆数据。

3、爬虫的分类

通用爬虫——准守robots协议的爬虫，通常指搜索引擎，抓取的是一整张页面数据

聚焦爬虫——针对特定网站爬虫，无视robots协议，是建立在通用爬虫的基础之上，抓取的是页面中特定的局部内容。

增量式爬虫——检测网站中数据更新的情况。只会抓取网站中最新更新出来的数据。

总的来说，爬虫也分善恶

善意的爬虫不破坏被爬取网站的资源，一般都是频率不高的正常访问，不窃取用户隐私。

恶意的爬虫影响网站运营，造成网站宕机。 

4、重要提醒

        爬虫合法，技术无罪，但是不能滥用。使用爬虫时要避免干扰网站正常运行，如果发现用户隐私或其他敏感内容一定不能传播，小心进去喝茶。

5、反爬和反反爬机制

反爬机制：门户网站，可以通过指定相应的策略或技术手段，防止爬虫程序进行网站数据的爬取。

反反爬策略：爬虫程序可以通过指定相关的策略或技术手段，破解门户网站中具备的反爬机制，从而可以获取门户网站的数据。#强行爬取可能涉及恶意

6、协议

 robots.txt协议——君子协议，规定了网站中哪些数据可以被爬虫爬取，哪些数据不可以被爬取。

http协议(Hyper Text Transfer Protocal)——超文本传输协议，是一种发布与接收HTML页面的方法，是服务器和客户端进行数据交互的一种形式。

https协议(Hyper Text Transfer Protocol over SecureSocket Layer)——是HTTP协议的加密版本，在HTTP下加入了SSL层，是安全的超文本的传输协议。

7、常用请求头和常用的请求方法

常用请求头

1、User-Agent:浏览器名称。在请求一个网页的时候，服务器通过这个参数就可以知道哪种浏览器在访问。
2、Referer：表明当前这种请求是从哪个url来的。
3、cookie:http协议是无状态。用cookie来标识请求是否是同一个人。

常用的请求方法

get：一般适用于只从服务器获取数据，不会对服务器资源产生影响。

post：向服务器发送数据（登录）等，会对服务器资源产生影响。

8、常见的响应状态码

200：请求正常
301：永久重定向（访问不到某个网页会跳转到另一个网页）
302：临时重定向（未登录访问会跳转到登录页面）
400：请求url在服务器上找不到
403：服务器拒绝访问权限不够
500：服务器内部错误

9、url的详解

scheme://host:port/path/?query-string=xxx#anchor
1、scheme:代表的是访问的协议，一般为http或者https协议
2、host：主机名，域名
3、port:端口号。浏览器默认使用80端口
4、path：查找路径
5、query-string：查询字符串
6、anchor：锚点，前端定位页面

二、爬虫基本流程

浏览器提交请求—>下载网页代码—>解析成页面

模拟浏览器发送请求(获取网页代码)->提取有用的数据->存放于数据库或文件中

​ 

三、可能需要的库

from bs4 import BeautifulSoup  #网页解析，获取数据
import re     #正则表达式，文字匹配
import urllib.request,urllib.error    #指定URL，获取网页数据
import xlwt       #EXCEL操作

安装

pip install requests

pip install beautifulsoup4

         BeautifulSoup简单易用，容易理解。但是使用bs4还需要安装另一个类库lxml，用来代替bs4默认的解析器，

用了lxml后，可以大幅度提升解析速度。

四、小例

1、requests请求网页

import requests

resp=requests.get('https://www.baidu.com') #请求百度首页
print(resp) 
print(resp.content) #打印请求到的网页源码

2、python解析网页源码 （使用BeautifulSoup+lxml解析网页源码）

import requests
from bs4 import BeautifulSoup

resp=requests.get('https://www.baidu.com') #请求百度首页
print(resp) 
print(resp.content) #打印请求到的网页源码

bsobj=BeautifulSoup(resp.content,'lxml') #将网页源码构造成BeautifulSoup对象，方便操作
a_list=bsobj.find_all('a') #获取网页中的所有a标签对象
for a in a_list:
    print(a.get('href')) #打印a标签对象的href属性，即这个对象指向的链接地址

3、保存数据的方法 

保存数据的方法大概可以分为几类：保存文本、保存二进制文件（包括图片）、保存到数据库。

import requests
from bs4 import BeautifulSoup

resp=requests.get('https://www.baidu.com') #请求百度首页
print(resp) 
print(resp.content) #打印请求到的网页源码

bsobj=BeautifulSoup(resp.content,'lxml') #将网页源码构造成BeautifulSoup对象，方便操作
a_list=bsobj.find_all('a') #获取网页中的所有a标签对象
text='' 
for a in a_list:
    href=a.get('href') #获取a标签对象的href属性，即这个对象指向的链接地址
    text+=href+'\n' 
with open('url.txt','w') as f: #
    f.write(text) #将text里的数据写入到文本中

 五、Chrmoe浏览器

elements：分析网页结构，获取想要的数据。

console控制台：打印输出网站信息。

sources：加载网页所需要的所有的源文件，除elements的源码之外。

network：查看整个网页发送的所有网络请求。

sessio和cookie是用于保持HTTP长时间连接状态的技术

        session代表服务器与浏览器的会话过程，是一种服务器端的机制，session对象用来储存特定用户会话所需的信息。session由服务器端生成，保存在服务器的内存、缓冲、硬盘或数据库中。

        cookie是由服务器端生成后发送给客户端（一般指浏览），其总是保存在客户端。

cookie基本原理：创建cookie->设置储存cookie->发送cookie->读取cookie

​