爬虫笔记

爬虫是数据的由来：

（一）数据如果想要发挥它的作用，必须要分析

           爬虫最重要的作用就是获取数据

（二）、爬虫的定义：

        1.定义：爬虫就是自动抓取互联网信息的脚本或者程序

         2.爬虫可以解决的问题

             a.解决冷启动问题。

             b.搜索引擎的根基：做搜索引擎少不了爬虫

             c.建立知识图谱，帮助建立机器学习知识图谱

（3）爬虫工程师的进阶之路

         初始爬虫工程师

        1.web前端的知识：HTML,CSS,JavaSclipt、Dom、DHTML、Ajax、Json等

         2.正则表达式，能提取正常一般网页中想要的信息，比如某些特殊的文字，链接信息，知道什么是懒惰，什么是贪婪的正则；

         3.会使用XPath等获取一些DOM结构中的节点信息：

　　  4.知道什么是深度优先，广度优先的抓取算法，及实践中的使用规则；

         5.能分析简单网站的结构，会使用urllib或者requests库进行简单的数据抓取

         中级爬虫工程师：

        1.了解什么是HASH,会简单的使用MD5,SHA1等算法对数据进行HASH一遍存储

         2.熟悉HTTP,HTTPS协议的基础知识，了解get,Post方法，了解Http头中的信息，包括返回状态码，编码，user-agent，cookie,session等。

         3.能设置user-agent进行数据爬取，设置代理等

         4.知道什么是Request,什么是response,会使用Fiddler等工具抓取分析简单的网络数据包；对于动态爬虫，要学会分析ajax请求，模拟制造post数据包请求，抓取客户端session等信息，对于一些简单的网站，能够通过模拟数据包进行自动登录

         5.对于一些难搞定的网站学会使用phantomjs+selenium抓取一些动态网页信息

         6.并发下载，通过并行下载加速数据爬取，多线程的使用

         高级爬虫工程师：

         1.能够使用tesseract，百度AI,HOG+SVM，CNN等库进行验证码识别

         2.能使用数据挖掘技术，分类算法等避免死链

         3.会使用常用的数据库进行数据存储，查询，比如mongoDB,redis；学习如何通过缓存避免重复下载的问题

         4.能使用一些开源框架scrapy，scrapy-redis等分布式爬虫，能部署掌控分布式爬虫进行大规模数据爬取

（三）爬虫的分类

           爬虫可以分为通用爬虫和聚焦爬虫

           1.通用爬虫，就是将互联网上的数据整体爬取下来保存到本地的一个爬虫程序，是搜索引擎的重要组成部分。

           （1）搜索引擎：就是运用特定的算法和策略，从互联网上获取页面信息，并且将信息保存到本地为用户提供检索服务的系统

           （2）搜索引擎的工作步骤：

                      第一步：抓取网页

                                    设及到一个问题，如果获取页面的URL,使得搜索引擎涉及到所有的网页，-----》搜索引擎的url获取途径都有哪些

                                     a.新网站会主动提交

                                     b.在其他网站设置的外链也会加入到待爬取的url队列里面

                                     c.和dns服务商合作，如果有新网站成立，搜索引擎就会获取网站

                    第二步：数据存储

                    第三步：预处理

                                   提取文字

                                   中文分词

　　　　　　　　　　消除噪音（比如版权声明文字，导航条，广告等。。。）

                                    除了HTML文件外，搜索引擎通常还能抓取和索引以文字为基础的多种类型，如PDF，Word,WPS，XLS，PPT，TXT文件等。我们在搜索结果中也经常会看到这些文件类型。

　　　　　  第四步:提供检索服务，网站排名

               （3）搜索引擎的局限性。

                        1.通用搜索引擎所返回的结果都是网页，而大多情况下，网页里90%的内容对用户来说都是无用的

                        2.不同领域，不同背景的用户往往具有不同的检索目的和需求，索引引擎无法提供针对具体某个用户的搜索结果

                        3.万维网数据形式的丰富和网络技术的不断发展，图片，数据库，音频，视频多媒体等不同数据大量出现，通用搜索引擎对这些文件无能为力，不能很好的发现和获取

                        4.通用搜索引擎大多提供基于关键字的检索，难以支持根据语义信息提出的查询，无法准确理解用户的具体需求

2.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

3.爬虫的准备工作。

    1.robots协议（重点）

      定义：网络爬虫爬除标准

      作用：网站通过robots协议告诉搜索引擎哪些页面可以抓取，哪些页面不能抓取

      爬虫程序我们要规避robots协议即可

     2.网站地图sitemap

               sitemap就是网站地图，他通过可视化的形式，展现网站的主要结构

               网上有很多sitemap生成网站：https://help.bj.cn/

      3.估算网站的大小

           可以使用搜索引擎来做，比如在百度中是用site:www.zhihu.com

(四)http协议（重点）

1.http协议：HyperyText Transfer Protocol，超文本传输协议

   1. 作用：是一种收发html的规范

   2.http端口号：80

      https端口号：443

                   HTTPS(Hypertext Transfer Protocol over Secure Socket Layer)简单讲是http的安全版，在http下加入ssl层

                   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

                   数字签证。

  3.http协议的特点（重点）:

(1)应用层协议。（最顶层也是和用户交互的层）

（2）无连接：http协议每次发送请求都是独立的。http1.1以后有一个头：connection:keep_alive.

   (3)无状态 ：http协议不记录状态，进而产生了两种记录http状态的技术：cookie和session

4.url:统一资源定位符。

（1）url的作用：用来定位互联网上的任意资源的位置

（2）url的组成

             

https://www.baidu.com/s?wd=python&rsv_spt=1
https://www.baidu.com/index.html
协议：https/http
netloc（网络地址）：ip:port
ip主要用来定位电脑（网卡）。
port主要用来定位应用。mysql（3306），mongo（27017）----相当于一个门户。
path:资源在服务器的相对路径。---路由(router)
（3）url中的特殊符号。
？：get请求的参数在？后面
&：get请求的多个参数用&连接
#：锚点，定位到页面中任意位置。
（4）python中用来解析url的模块。
from urllib import parse
url = 'https://ww.baidu.com:8888/index.html?username=222&password=123#abc'
result = parse.urlparse(url)
print(result)
'''
ParseResult(
scheme='https',
netloc='ww.baidu.com:8888',
path='/index.html',
params='',
query='username=222&password=123',
fragment='abc')
'''
print(result.scheme)
print(result.netloc)


5、http工作过程：（重点）
（1）地址解析
（2）封装HTTP请求数据包
（3）封装成TCP包，建立TCP连接（TCP的三次握手）
***（4）客户机发送请求命令***
***（5）服务器响应***
（6）服务器关闭TCP连接
6、客户端请求（重要）
（1）组成：请求行、请求头部、空行、请求数据（实体）四个部分组成
请求行：协议，url，请求方法
请求头：主要的作用就是来限定这个请求的详细信息。（非常重要，必须要知道一些重要的请求头的含义。）
请求数据：post请求的数据是放到这里面的。
（2）重要请求头（针对于爬虫而言）
user-agent：客户端标识
cookie:请求的状态信息，很重要
Referer：表示产生请求的网页来源于哪里。
防盗链。
accept：允许传入的文件类型。
Accept: text/html,application/xhtml+xml,application/xml;q=0.9,image/webp,image/apng,*/*;q=0.8,application/signed-exchange;v=b3。
x-requested-with:ajax请求必须要封装的头
--------------------------
content-type:post请求的数据类型
content-length：post请求数据的长度

（3）请求方法：get/post/put（推送）/delete（删除）/trace（诊断）/options（性能）/connect（连接，预留字段）。
get方法：get获取--从服务器获取资源--条件（请求参数）---请求参数是拼接到url里面的？后面--不安全（容易被别人获取：用户名和密码）---大小受限。
post方法：post传递--向服务器传递数据--请求数据是放在实体里面。----安全---大小不受限
记忆知识，千万不要被--理解记忆。
7、服务器响应（重要）
（1）组成：
状态行：状态码
消息报头：
空行
响应正文

（2）响应头
Content-Type: text/html;charset=utf-8：响应的类型
（3）状态码（状态码）（重要）
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---DDos)。
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)。
8、当我们在客户端输入一个url，客户端是如何请求加载出整个页面的？（重点）
（1）客户端解析url，封装数据包，发送请求给服务器。
（2）服务器从请求中解析出客户端想要内容，比如index.html,就把该页面封装成响应数据包，发送给客户端。
（3）客户端检查该inde.html中是否有静态资源需要继续请求，比如js，css，图片，如果有继续请求获取静态资源。
（4）客户端按照html的语法结合静态资源将页面完美的显示出来。
三、requests模块（重点）
（一）requests模块简介
Urllib和requests模块是发起http请求最常见的模块。
安装：pip install reqeusts
（二）requests模块的get方法
1、response = requests.get(
url=请求url地址，
headers = 请求头字典，
params=请求参数字典，
)
2、response对象
（1）响应正文：
a、字符串格式的响应正文：response.text
b、字节类型(bytes)的响应正文：response.content
（2）响应正文的乱码问题解决：
response.content.decode('页面的正确编码')