爬虫需求
1.你是否在夜深人静的时候,想看一些会让你更睡不着的图片却苦于没有资源? 2.你是否在节假日出行高峰的时候,想快速抢购火车票成功? 3.你是否在网上购物的时候,想快速且精准的定位到口碑质量最好的商品?
爬虫简介
通过编写程序,模拟浏览器上网,然后让其去互联网上抓取数据的过程。
爬虫的价值
抓取互联网上的数据,为我所用,有了大量的数据,就如同有了一个数据银行一样,下一步做的就是如何将这些爬取的数据产品化,商业化
爬虫流程
1.发送请求request
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 response
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
HTTP的请求和响应
请求响应过程
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内容
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; 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
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
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
总结
爬虫流程:
爬取—>解析—>存储
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~~
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