爬虫基础知识及流程

爱编程的小明

发布于 2022-09-05 14:53:57

6140

发布于 2022-09-05 14:53:57

文章被收录于专栏：小明的博客

基本内容

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：

php:多线程异步处理能力弱
C/C++:学习成本高，运行速度快但学习和开发成本高
Java:生态圈完善，python爬虫的最大竞争对手。但Java语言本身笨重，代码量大。重构成本搞（有的网站会更新网页编码的规则，需要不断重构来匹配规则）
python:语法优美，代码简洁，开发效率高。相关的HTTP请求模块和HTML解析模块非常丰富。还有Scrapy和Scrapy-redis框架让我们开发爬虫变得异常简单。

http协议

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。

在浏览器中发送一个http请求的过程：

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

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

scheme:代表的是访问的协议处般为http或者https以及ftp等。
host:主机名，域名，比如www.baidu.com。
port:端口号。当你访问一个网站的时候，浏览器默认使用80端口。
path:查找路径。比如：mm.jianshu.com/trending/now,后面的trending/now就是path。
query-string:查询字符串，比如：ww.baidu.com/swd=python,后面的wd=python就是查询字符串。
anchor:锚点，后台一般不用管，前端用来做**页面定位（浏览器滚动位置）**的。

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

请求方法

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

请求头常见参数：

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。

常见响应状态码：

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。