爬虫 - 认识爬虫 | 爬虫流程 | 请求与响应 | 爬虫分类 | 攻防

什么是上网？爬虫要做的是什么？

我们所谓的上网便是由用户端计算机发送请求给目标计算机，将目标计算机的数据下载到本地的过程。

用户获取网络数据的方式是： 浏览器提交请求->下载网页代码->解析/渲染成页面。

而爬虫程序要做的就是： 模拟浏览器发送请求->下载网页代码->只提取有用的数据->存放于数据库或文件中

定义

通过编写程序,模拟浏览器上网,向网站发起请求,让其去互联网上获取数据后分析并提取有用数据的程序

爬虫的基本流程

1、发起请求
使用http库向目标站点发起请求，即发送一个Request Request包含：请求头、请求体等

2、获取响应内容
如果服务器能正常响应，则会得到一个Response Response包含：html，json，图片，视频等

3、解析内容
解析html数据：正则表达式，第三方解析库如Beautifulsoup，pyquery等 
解析json数据：json模块 
解析二进制数据:以b的方式写入文件

4、保存数据
数据库 文件

请求与响应

http协议：https://home.cnblogs.com/u/waller/
Request：用户将自己的信息通过浏览器（socket client）发送给服务器（socket server）

Response：服务器接收请求，分析用户发来的请求信息，然后返回数据（返回的数据中可能包含其他链接，如：图片，js，css等）

#ps：浏览器在接收Response后，会解析其内容来显示给用户，而爬虫程序在模拟浏览器发送请求然后接收Response后，是要提取其中的有用数据。

• Request

1.请求方式：
    常用的请求方式：GET，POST
    其他请求方式：HEAD，PUT，DELETE，OPTHONS
'''
post与get请求最终都会拼接成这种形式：k1=xxx&k2=yyy&k3=zzz
post请求的参数放在请求体内：
    可用浏览器查看，存放于form data内
get请求的参数直接放在url后
'''
2.请求的url
    url全称统一资源定位符，如一个网页文档，一张图片
    一个视频等都可以用url唯一来确定
'''
url编码
    https://www.baidu.com/s?wd=图片
    图片会被编码（看示例代码）
'''
'''
网页的加载过程是：
加载一个网页，通常都是先加载document文档，
在解析document文档的时候，遇到链接，则针对超链接发起下载图片的请求
'''
3、请求头
    User-Agent：请求头中如果没有user-agent客户端配置，
    服务端可能将你当做一个非法用户
    host
    cookies：cookie用来保存登录信息

'''
一般做爬虫都会加上请求头
'''
4.请求体
    如果是get方式，请求体没有内容
    如果是post方式，请求体是format data
'''
ps：
1、登录窗口，文件上传等，信息都会被附加到请求体内
2、登录，输入错误的用户名密码，然后提交，就可以看到post，正确登录后页面通常会跳转，无法捕捉到post 
'''

• Response

1、响应状态
    200：代表成功
    301：代表跳转
    404：文件不存在
    403：权限
    502：服务器错误

2、Respone header
    set-cookie：可能有多个，是来告诉浏览器，把cookie保存下来
    
3、preview就是网页源代码
    最主要的部分，包含了请求资源的内容
    如网页html，图片
    二进制数据等

爬虫分类

1 通用爬虫: 
　　获取一整张页面数据
2 聚焦爬虫: 
　　获取指定页面内的指定数据
3 增量式爬虫: 
　　用来检测网站数据的更新情况,爬取网站最新更新出来的数据

 

"攻" 与 "防"

"攻":反爬机制

网站采用相关的技术手段或策略阻止爬虫程序对网站数据的爬取
- UA检测: 服务器通过对请求中的请求头里的UA的值,来判定请求载体的身份

 

# robots协议  (君子协议)
通常用在门户网站中,声明了哪些数据可爬,哪些数据不可爬
eg:
    https://www.taobao.com/robots.txt

"防":反反爬策略

让爬虫程序通过破解反爬机制获取数据
# ps: 网站不同策略不同,需要分析

 

一般使用到的头信息:
    请求头
    - User-Agent : 请求载体的身份标识
        载体: 浏览器, 爬虫程序
    - Connection : keep-alive | close
        close : 当用爬虫请求成功后,这个请求对应的连接会立刻断开
    响应头
    - content-type : 数据响应方式, 服务器按对应方式响应数据

补充

http协议: client与server进行数据交互的一种规定形式
https协议: 安全的http协议,在http基础之上加了一个安全层的操作(ssl加密)
    - 对称秘钥加密:(不安全)
        加密数据级密规则(私钥)发送到服务端破解
    - 非对称秘钥加密:(效率低, 不安全:客户端拿到的公钥不一定是服务端的)
        服务器端制定加密方式(公钥)和解密方式(私钥),客户端获取公钥加密数据再传输
    - 证书秘钥加密: 
        公钥 -> 证书机构 -> 添加证书 -> 客户端 -> 加密数据 -> 服务端

 

 

 ps: 爬虫仅仅是工具,无好坏之分,