Python爬虫零基础教学第一天

Python爬虫高级开发/大数据抓取/从入门到精通/商业项目实战（1）

开始时间2023-05-05 22:02:26

结束时间2023-05-06 01:09:52

 一、DNS

DNS 域名系统（英文：Domain Name System，缩写：DNS）是互联网的一项服务。它作为将域名和IP地址相互映射的一个分布式数据库，能够使人更方便地访问互联网。DNS使用UDP接口53。当前，对于每一级域名长度的限制是63个字符，域名总长度则不能超过253个字符。

1）DNS 是计算机域名系统 (Domain Name System 或Domain Name Service) 的缩写，由解析器和域名服 务器组成的。

2）域名服务器是指保存有该网络中所有主机的域名和对应IP地址，并具有将域名转换为IP地址功能的服务 器。

3）一般一个域名的 DNS解析时间 在10~60毫秒之间。

二、HTTP&HTTPS

1）HTTP协议（HyperText Transfer Protocol，超文本传输协议）：是一种发布和接收 HTML页面的方法。

2）HTTPS（Hypertext Transfer Protocol over Secure Socket Layer）简单讲是HTTP的安全版，在HTTP 下加入SSL层。

3）SSL（Secure Sockets Layer 安全套接层）主要用于Web的安全传输协议，在传输层对网络连接进行加 密，保障在Internet上数据传输的安全。 HTTP的端口号为80， HTTPS的端口号为443

4）HTTP工作原理 网络爬虫抓取过程可以理解为模拟浏览器操作的过程 。 浏览器的主要功能是向服务器发出请求，在浏览器窗口中展示您选择的网络资源，HTTP是一套计算机 通过网络进行通信的规则

5）HTTP的请求与响应 HTTP通信由两部分组成： 客户端请求消息 与 服务器响应消息

6）浏览器发送HTTP请求的过程： 1. 当用户在浏览器的地址栏中输入一个URL地址并按回车键之后，浏览器会向HTTP服务器发送 HTTP请求。 HTTP请求主要分为 Get 和 Post 两种方法。 2. 当我们在浏览器输入URL http://www.baidu.com 的时候，浏览器发送一个Request请求去获取 htt p://www.baidu.com 的html文件，服务器把Response文件对象发送回给浏览器。 3. 浏览器分析Response中的 HTML，发现其中引用了很多其他文件，比如Images文件，CSS文 件，JS文件。 浏览器会自动再次发送Request去获取图片，CSS文件，或者JS文件等。 4. 当所有的文件都下载成功后，网页会根据HTML语法结构，完整的显示出来了。

7）URL（Uniform / Universal Resource Locator的缩写）：统一资源定位符，是用于完整地描述

8）Internet上网页和其他资源的地址的一种标识方法。

 基本格式：scheme://host[:port]/path/…/[?query-string][#anchor]

scheme：协议(例如：http, https, ftp)

host：服务器的IP地址或者域名

port：服务器的端口（如果是走协议默认端口，缺省端口80）

path：访问资源的路径

query-string：参数，发送给http服务器的数据

anchor：锚（跳转到网页的指定锚点位置）

9）客户端HTTP请求 URL只是标识资源的位置，而HTTP是用来提交和获取资源。客户端发送一个HTTP请求到服务器的请求 消息，包括以下格式： 四个部分组成，下图给出了请求报文的一般格式。

 10）请求方法

a.HTTP 0.9：只有基本的文本 GET 功能。

b.HTTP 1.0：完善的请求/响应模型，并将协议补充完整，定义了三种请求方法： GET, POST 和 HEAD 方法。

c.HTTP 1.1：在 1.0 基础上进行更新，新增了五种请求方法：OPTIONS, PUT, DELETE, TRACE 和 CONNECT 方法。

d.HTTP 2.0（未普及）：请求/响应首部的定义基本没有改变，只是所有首部键必须全部小写，而且请求 行要独立为 :method、:scheme、:host、:path这些键值对。

三、响应状态码

100~199：表示服务器成功接收部分请求，要求客户端继续提交其余请求才能完成整个处理过 程。

200~299：表示服务器成功接收请求并已完成整个处理过程。常用200（OK 请求成功）。

300~399：为完成请求，客户需进一步细化请求。例如：请求的资源已经移动一个新地址、常 用302（所请求的页面已经临时转移至新的url）、307和304（使用缓存资源）。

400~499：客户端的请求有错误，常用404（服务器无法找到被请求的页面）、403（服务器拒 绝访问，权限不够）。

500~599：服务器端出现错误，常用500（请求未完成。服务器遇到不可预知的情况）。

 

 实战操作

一、安装虚拟机

1.登入界面

2.执行配置文件在PythonENVISION文件夹中有configure.sh配置文件通过bash configure.sh命令执行该文件进行配置，输入密码看不见

3.配置完成

 4.执行reboot重启一下虚拟机，把刚刚配置好的环境加载进来

 5.点击快速休眠，下一次打开可继续使用

二、pycharm

1.创建文件

 2.安装requests

 3.下载完成

 4.查看

 5.获取博客园地址源代码

import requests


# 请求地址
url = 'https://www.cnblogs.com/'

# 发送网络请求
response = requests.get(url)

# print(response,type(response))

text = response.text

print(text)

 

总结：爬虫是什么？我认为爬虫是模拟浏览器向特定网页发送请求从而获取数据的过程。根据使用场景，网络爬虫可分为 通用爬虫 和 聚焦爬虫 两种.通用性搜索引擎局限性的逐渐暴露，聚焦爬虫得到广泛的使用。聚焦爬虫，是"面向特定主题需求"的一种网络爬虫程序，它与通用搜索引擎爬虫的区别在于： 聚焦爬虫 在实施网页抓取时会对内容进行处理筛选，尽量保证只抓取与需求相关的网页信息。在大数据时代，数据的需求越来越大爬虫工程师在每个领域不可或缺，掌握爬虫技术也越来越重要，从零开始试着成为一名优秀的爬虫工程师。

每日一mo：我没剩什么可输的了，尽力战斗便好！