爬虫通俗来说就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则提取有价值的数据。也可以理解为使用某种编程语言(这里当然是使用Python语言) 按照一定的顺序、 规则主动抓取互联网特定信息的程序或者脚本。 爬虫可以分为通用爬虫和聚焦爬虫 各大搜索引擎是通用爬虫一个很好的例子,通用爬虫在爬取内容时并不会对网页内容进行筛选,将网页的全部内容给爬取下来。 聚焦爬虫则是只爬取网页上自己需要的内容。 使用语言:
HTTP协议:全称是HyperText Transfer Protoco1,中文意思是超文本传输协议,是一种发布和接收HTML页面的方法。服务器端口号是80端口。 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。
1.当用户在浏览器的地址栏中输入一个URL并按回车键之后,刘览器会向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http:/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Responset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。 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。
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://host:port/path/?query-string-xxx#anchor
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,数字和分符号外,其他的全部使用百分号+十六进制码值进行编码。这也意味着我们在进行爬虫的过程中要对爬取内容先进行一个解码
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,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侧。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。 检查爬虫请求方式的方法
在http协议中,向服务器发送一个请求,数据分为三分,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。这里介绍在路爬虫中经常会用到的一些请求头参数: 1.User-Aget:浏览器名称。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那种览器发送的。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。 2.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。 3.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。在Python中, 负责Cookie部分的模块为cookielib。
200:请求正常,服务器正常的返回数据。浏览器响应的过程是正常的。 301:永久重定向。比如在访问m.jingdong.com的时候会重定向到w.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ur1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。
管理待抓URL以及已抓取URL集合,防止重复循环抓取。
将网页对应的html文件下载到本地 python中的网页下载器:
从网页中提取出有价值的数据的工具,将新的url返回给调度器
正则表达式:将整个网页文档当成一个字符串用模糊匹配的方式来提取出有价值的数据 Beautidul Soup:一个强大的第三方插件 lxml:解析html网页或者xml网页
储存到数据库中的方法效率会比较低,直接保存到内存中占用空间会非常大。 通过特定的方法对URl进行映射是一种不错的方法,但是可能会导致不同url之间的冲突。