爬虫基础概念

目录

• 爬虫基础概念
  • 简介
    • 爬虫应用场景：
    • Python用来写爬虫的优点
    • 关键词抽取
    • 爬虫的分类:
  • 反爬机制
    • 如何查看规定哪些内容不可爬取？
  • 开发工具和Chrome的安装
  • Chrome抓包工具
    • Elements：
    • Console：
    • Sources：
    • Network：
  • Http协议：
    • Http协议介绍：
    • URL详解：
    • 常见的请求Method：
    • 常见的请求头参数：
    • 常见的响应状态码：

爬虫基础概念

简介

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；

爬虫应用场景：

1. 搜索引擎（百度或谷歌等）
2. 伯乐在线。
3. 惠惠购物助手。
4. 数据分析。
5. 抢票软件等。

Python用来写爬虫的优点

语法优美、代码简洁、开发效率高、支持的模块多。相关的HTTP请求模块和HTML解析模块非常丰富。还有Scrapy和Scrapy-redis框架让我们开发爬虫变得异常简单····

关键词抽取

• 模拟:浏览器就是一个纯天然最原始的一个爬虫工具。
• -抓取:
  • 抓取一整张的页面源码数据
  • 抓取一整张页面中的局部数据

爬虫的分类:

• 通用爬虫:
  • 要求我们爬取—整张页面源码数据
• 聚焦爬虫
  • 要求爬取一张页面中的局部的数据
  • 聚焦爬虫一定是建立在通用爬虫基础之上
• 增量式爬虫:
  • 用来监测网站数据更新的情况，以便爬取到网站最新更新出来的数据。
• 分布式爬虫:
  • 提高爬取效率的终极武器。

反爬机制

• 反爬机制
  • 是作用到门户网站中。如果网站不想让爬虫轻易爬取到数据，它可以制定相关的机制或者措施阻止爬虫程序爬取其数据。
• 反反爬策略
  • 是作用在爬虫程序中。我们爬虫可以制定相关的策略破击反爬机制从而爬取到相关的数据。
• 第一个反爬机制:
  • robots协议：是一个纯文本的协议，协议中规定了该网站中哪些数据可以被哪些爬虫爬取，哪些不可以被爬取。
  • 破解︰自己主观性的不遵从该协议即可

如何查看规定哪些内容不可爬取？

在爬取的url后跟robots.txt查看，百度示例：

开发工具和Chrome的安装

开发工具Anaconda和Pycharm的安装教学前面都有介绍到，Chrome安装也非常简单

• Google Chrome 网络浏览器

ps：如果打不开说明被墙掉了，需要F墙

Chrome抓包工具

Elements：

可以帮助我们分析网页结构，获取我们想要的数据。但是Elements下是最终呈现的网页数据，有时候网页数据是通过ajax请求得到的，因此Elements下的数据不能完全相信。

Console：

用来打印网页的一些信息。

Sources：

整个网页所加载的所有文件。

Network：

查看整个网页发送的所有网络请求。一般我们想要去查看某个请求的信息，都可以到这个里面去看。

Http协议：

Http协议介绍：

Http协议：全称是HyperText Transfer Protocol，中文意思是超文本传输协议，是一种发布和接收HTML（HyperText Markup Language）页面的方法。服务器端口号是80端口。 2. 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。

更多介绍请参考：https://baike.baidu.com/item/HTTP

URL详解：

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

• scheme：代表的是访问的协议，一般为http或者https以及ftp等
  • scheme://host:port/path/?query-string=xxx#anchor
• host：主机名，域名，比如www.baidu.com
• 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
• path：查找路径。比如：www.jianshu.com/trending/now，后面的trending/now就是path
• 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。
• anchor：锚点，前端用来做页面定位的。现在一些前后端分离项目，也用锚点来做导航。

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使用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成post请求，这个要视情况而定。

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：

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，这对于那些有反爬虫机制的网站来说，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。

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，那么就不做相关的响应。

Cookie：http协议是无状态的。也就是同一个人发送了两次请求，服务器没有能力知道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信息了。

常见的响应状态码：

• 200：请求正常，服务器正常的返回数据。
• 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。
• 302：临时重定向。比如在访问一个需要登录的页面的时候，而此时没有登录，那么就会重定向到登录页面。
• 400：请求的url在服务器上找不到。换句话说就是请求url错误。
• 403：服务器拒绝访问，权限不够。
• 500：服务器内部错误。可能是服务器出现bug了。