写在前面的话 :最近博主在学习网络爬虫的相关技术(基于 Python 语言),作为一个学习的总结,打算用博客记录下来,也希望和大家分享一下自己在学习过程中的点点滴滴,话不多说,让我们马上开始吧
一、爬虫基本简介
什么是网络爬虫,这里先引用一下 百度百科 上的解析:
网络爬虫是一种按照一定的规则,自动地抓取万维网信息的程序或者脚本
说起网络爬虫,人们常常会用这样一个比喻:如果把互联网比喻成一张网,那么网络爬虫就可以认为是一个在网上爬来爬去的小虫子,它通过网页的链接地址来寻找网页,通过特定的搜索算法来确定路线,通常从网站的某一个页面开始,读取网页的内容,找到在网页中的其它链接地址,然后通过这些链接地址寻找下一个网页,这样一直循环下去,直到把这个网站所有网页都抓取完为止
二、爬虫基本原理
下面的图片很好的展现了一般网络爬虫的基本过程,下面让我们来详细解释一下这张图片的含义吧
1、发送请求
爬虫的第一个步骤就是对起始 URL 发送请求,以获取其返回的响应
值得注意的是,发送请求实质上是指发送请求报文的过程
请求报文 包括以下四个方面:请求行、请求头、空行和请求体
但是,往往在使用 Python 相关的网络请求库发送请求时,只需关注某些特殊的部分即可,而非完整的请求报文,下面我们将以粗体的形式标识出我们需要特别关注的部分
(1)请求行
请求行由请求方法、请求 URL 和 HTTP 协议版本 3 个字段组成,字段间使用空格分隔
① 请求方法:请求方法是指对目标资源的操作方式,常见的有 GET 方法和 POST 方法
- GET:从指定的资源请求数据,查询字符串包含在 URL 中发送
- POST:向指定的资源提交要被处理的数据,查询字符串包含在请求体中发送
② 请求 URL:请求 URL 是指目标网站的统一资源定位符 (Uniform Resource Locator,URL)
③ HTTP 协议版本:HTTP 协议是指通信双方在通信流程和内容格式上共同遵守的标准
(2)请求头
请求头 被认为是请求的配置信息,以下列举出常用的请求头信息(持续补充中)
- User-Agent:包含发出请求的用户的信息,设置 User-Agent 常用于处理反爬虫
- Cookie:包含先前请求的内容,设置 Cookie 常用于模拟登陆
- Referer:指示请求的来源,用于可以防止链盗以及恶意请求
(3)空行
空行标志着请求头的结束
(4)请求体
请求体 根据不同的请求方法包含不同的内容
若请求方法为 GET,则此项为空;若请求方法为 POST,则此项为待提交的数据(即表单数据)
2、获取响应
爬虫的第二个步骤就是获取特定 URL 返回的响应,以提取包含在其中的数据
同样的,响应其实是指完整响应报文,它包括四个部分:响应行、响应头、空行和响应体
(1)响应行
响应行由 HTTP 协议版本、状态码及其描述组成
① HTTP 协议版本:HTTP 协议是指通信双方在通信流程和内容格式上共同遵守的标准
② 状态码及其描述
- 100~199:信息,服务器收到请求,需要请求者继续执行操作
- 200~299:成功,操作被成功接收并处理
- 300~399:重定向,需要进一步的操作以完成请求
- 400~499:客户端错误,请求包含语法错误或无法完成请求
- 500~599:服务器错误,服务器在处理请求的过程中发生错误
(2)响应头
响应头 用于描述服务器和数据的基本信息,以下列举出常用的响应头信息(持续补充中)
- Set-Cookie:设置浏览器 Cookie,以后当浏览器访问符合条件的 URL 时,会自动带上该 Cooike
(3)空行
空行标志着响应头的结束
(4)响应体
响应体 就是网站返回的数据,在下一个步骤中我们需要对其进行分析处理
3、解析网页
解析网页实质上需要完成两件事情,一是提取网页上的链接,二是提取网页上的资源
(1)提取链接
提取链接实质上是指获取存在于待解析网页上的其他网页的链接
网络爬虫需要给这些链接发送请求,如此循环,直至把特定网站全部抓取完毕为止
(2)提取资源
提取数据则是爬虫的目的,常见的数据类型如下:
- 文本:HTML,JSON 等
- 图片:JPG,GIF,PNG 等
- 视频:MPEG-1、MPEG-2 和 MPEG4,AVI 等
最终,我们可以对所获得的资源作进一步的处理,从而提取出有价值的信息
神龙|纯净稳定代理IP免费测试>>>>>>>>天启|企业级代理IP免费测试>>>>>>>>IPIPGO|全球住宅代理IP免费测试