专栏首页linux基础什么是python爬虫。

什么是python爬虫。

前言

简单来说互联网是由一个个站点和网络设备组成的大网,我们通过浏览器访问站点,站点把HTML、JS、CSS代码返回给浏览器,这些代码经过浏览器解析、渲染,将丰富多彩的网页呈现我们眼前;

一、爬虫是什么?

如果我们把互联网比作一张大的蜘蛛网,数据便是存放于蜘蛛网的各个节点,而爬虫就是一只小蜘蛛,

沿着网络抓取自己的猎物(数据)爬虫指的是:向网站发起请求,获取资源后分析并提取有用数据的程序;

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;

二、爬虫的基本流程:

用户获取网络数据的方式:

方式1:浏览器提交请求--->下载网页代码--->解析成页面

方式2: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

爬虫要做的就是方式2;

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 

Request模块缺陷:不能执行JS 和CSS 代码

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(RE模块),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wb的方式写入文件

4、保存数据

数据库(MySQL,Mongdb、Redis)

文件

三、http协议 请求与响应

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。

四、 request

1、请求方式:

常见的请求方式:GET / POST

2、请求的URL

url全球统一资源定位符,用来定义互联网上一个唯一的资源 例如:一张图片、一个文件、一段视频都可以用url唯一确定

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

注意: 一般做爬虫都会加上请求头

请求头需要注意的参数:

(1)Referrer:访问源至哪里来(一些大型网站,会通过Referrer 做防盗链策略;所有爬虫也要注意模拟)

(2)User-Agent:访问的浏览器(要加上否则会被当成爬虫程序)

(3)cookie:请求头注意携带

4、请求体

请求体    如果是get方式,请求体没有内容(get请求的请求体放在 url后面参数中,直接能看到)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

五、 响应Response

1、响应状态码

200:代表成功

  301:代表跳转

  404:文件不存在

  403:无权限访问

  502:服务器错误

2、respone header

响应头需要注意的参数:

(1)Set-Cookie:BDSVRTM=0; path=/:可能有多个,是来告诉浏览器,把cookie保存下来

(2)Content-Location:服务端响应头中包含Location返回浏览器之后,浏览器就会重新访问另一个页面

3、preview就是网页源代码

JSO数据

如网页html,图片

二进制数据等 

六、总结

1、总结爬虫流程:

 爬取--->解析--->存储

2、爬虫所需工具:

请求库:requests,selenium(可以驱动浏览器解析渲染CSS和JS,但有性能劣势(有用没用的网页都会加载);)

解析库:正则,beautifulsoup,pyquery

存储库:文件,MySQL,Mongodb,Redis

3、爬获校花网

最后送给大家点福利吧

基础版:

 View Code

函数封装版

 View Code

并发版(如果一共需要爬30个视频,开30个线程去做,花的时间就是 其中最慢那份的耗时时间)

 View Code

涉及知识:多线程多进程

计算密集型任务:使用多进程,因为能Python有GIL,多进程可以利用上CPU多核优势;

IO密集型任务:使用多线程,做IO切换节省任务执行时间(并发)

线程池

想了解更多+qq群764261140

原文链接:https://www.cnblogs.com/sss4/p/7809821.html

我来说两句

0 条评论
登录 后参与评论

相关文章

  • web前端学习摘要。

    HTML是具有语义化的语言,针对网页的布局,有一类标签代表各种意义的“布局盒子”。所有的布局类标签都主要用来构建页面的内容区域,是双标签类型,是双标签类型,默认...

    7537367
  • Java新手入门必看的30个题。

    1 什么是Java、Java2、JDK?JDK后面的1.3、1.4.2版本号又是怎么回事?企鹅群921296279

    7537367
  • C语言必背的18个经典程序。

    7537367
  • 深度学习在医疗诊断领域优势明显,数据质量将成AI未来发展瓶颈

    人工智能正在改变医疗诊断行业 今年年初,谷歌成功研发出一套用于乳腺癌诊断的人工智能系统。这套系统分析了大量的病理组织显微图像,速度比人类快得多,且肿瘤检出率高达...

    企鹅号小编
  • Python Web 之Flask基础(一)

    在 Flask 应用中定义路由的最简便方式是使用Flask实例提供的 app.route 装饰器。

    arcticfox
  • 千亿规模只是开始 云计算步入暴发期

    去年中国云计算产业规模已经达到1000亿元;然而,这还仅仅是个开始。当前由云计算、大数据等引发的新一轮电子信息服务业调整、重组与转变,正在上演 无论是移动通信运...

    静一
  • 软件和服务行业:云计算产业迎来政策利好

    上周五国务院总理李克强主持召开国务院常务会议,确定促进云计算创新发展措施,培育壮大新业态新产业。会议确定,要积极支持云计算与物联网、移动互联网等融合发展,催生基...

    静一
  • 推荐一个直播活动:未来大数据的发展趋势是什么样的?

    ? 随着移动设备、物联网设备的持续增长。流式数据呈现了爆发式增长。同时,越来越多的业务场景对数据处理的实时性有了更高的要求。基于离线批量计算的数据处理平台已经...

    腾讯技术工程官方号
  • 边缘计算可以带来新价值的10种场景

    “边缘计算最大的好处是能够更快地利用数据和洞察力。”Forrester公司副总裁兼首席分析师Brian Hopkins说,“缩小数据生成方式与数据提供洞察力方式...

    静一
  • “云物”落地,不妨“小步快跑”

    从2012年开始,每年11月1日的惠州,已逐渐成为众多云计算、物联网企业(机构)的一场“必赶的集会”。 从预警员足不出户就可远程监测大楼火警火情,到家人忘带钥匙...

    静一

扫码关注云+社区

领取腾讯云代金券