爬虫基础入门

爬虫
发布时间 :
字数:2.7k 阅读 :
  1. 1、爬虫简介
    1. 1.1 爬虫分类
      1. 1.1.1 通用爬虫
      2. 1.1.2 聚焦爬虫
    2. 1.2 Robots 协议
    3. 1.3 HTTP 协议
      1. 1.3.1 请求与响应
      2. 1.3.2 URL 请求
    4. 1.4 关于编码
  2. 2、requests 请求
    1. 2.1 GET 请求
      1. 2.1.1 传递 URL 参数
      2. 2.1.2 传递请求头
      3. 2.1.3 传递代理 ip
      4. 2.1.4 response 返回
      5. 2.1.5 文本乱码
    2. 2.2 POST 请求
    3. 2.3 HTTP 响应报文
    4. 2.4 重定向

1、爬虫简介

1.1 爬虫分类

1.1.1 通用爬虫

通用网络爬虫是捜索引擎抓取系统（Baidu、Google、Sogou 等）的一个重要组成部分。主要目的是将互联网上的网页下载到本地，形成一个互联网内容的镜像备份。为搜索引擎提供搜索支持。主要是提供检索服务，网站排名。

搜索引擎去成千上万个网站抓取数据。抓取的是整个网页，不是具体详细的信息。无法提供针对具体某个客户需求的搜索结果

1.1.2 聚焦爬虫

聚焦爬虫，是”面向特定主题需求”的一种网络爬虫程序，它与通用搜索引擎爬虫的区别在于： 聚焦爬虫在实施网页抓取时会对内容进行处理筛选，尽量保证只抓取与需求相关的网页数据。

后续探讨的是 聚焦爬虫。

1.2 Robots 协议

robots 是网站跟爬虫间的协议，用简单直接的 txt 格式文本方式告诉对应的爬虫被允许的权限，也就是说 robots.txt 是搜索引擎中访问网站的时候要查看的第一个文件。当一个搜索蜘蛛访问一个站点时，它会首先检查该站点根目录下是否存在 robots.txt，如果存在，搜索机器人就会按照该文件中的内容来确定访问的范围；如果该文件不存在，所有的搜索蜘蛛将能够访问网站上所有没有被口令保护的页面。

Robots 协议也叫爬虫协议、机器人协议等，全称是“网络爬虫排除标准”（Robots Exclusion Protocol），网站通过 Robots 协议告诉搜索引擎哪些页面可以抓取，哪些页面不能抓取。

怎么看 robots 协议：网站主域名 +robots.txt

如：淘宝：https://www.taobao.com/robots.txt

1.3 HTTP 协议

  • HTTP 协议（HyperText Transfer Protocol，超文本传输协议）：是一种发布和接收 HTML 页面的方法。
  • HTTPS（Hypertext Transfer Protocol over Secure Socket Layer）简单讲是 HTTP 的安全版，在 HTTP 下加入 SSL 层。

1.3.1 请求与响应

  1. 当我们在浏览器输入 URL 的时候，浏览器发送一个 Request 请求去获取目标 URL 的 html 文件，服务器把 Response 返回文件对象发送回给浏览器。
  2. 浏览器分析 Response 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。
  3. 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。

1.3.2 URL 请求

URL 又叫作 统一资源定位符，是用于完整地描述 Internet 上网页和其他资源的地址的一种方法。类似于 Windows 的文件路径。

http://mail.163.com/index.html
** 一个网址的组成：**

  1. http://: 这个是协议，也就是 HTTP 超文本传输协议，也就是网页在网上传输的协议。

  2. mail：这个是服务器名，代表着是一个邮箱服务器，所以是 mail。

  3. 163.com: 这个是域名，是用来定位网站的独一无二的名字。

  4. mail.163.com： 这个是网站名，由服务器名 + 域名组成。

  5. /： 这个是根目录，也就是说，通过网站名找到服务器，然后在服务器存放网页的根目录。

  6. index.html： 这个是根目录下的网页。

  7. http://mail.163.com/index.html 这个叫做 URL，统一资源定位符，全球性地址，用于定位网上的资源。

请求方法：

最主要分两种：

  1. get请求：一般情况下，只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。

1.4 关于编码

ASCII 码：处理英文字符而发明的

GB2312：为了处理中文字符发明的

GBK：中文拓展库，加入繁体，亚裔文字编码。

Unicode：万国码，包含世界范围的语言编码

UTF-8：为了提高 Unicode 存储和传输性能。

2、requests 请求

  • Requests 模块就是 Python 实现的简单易用的 HTTP 库

还有其他库例如 urllib，urllib2 等模块。但是目前来说 Requests 模块是最流行的。而且也是做好用的模块。

requests 库的安装

pip install requests

2.1 GET 请求

请求获取数据：

response = requests.get(url,*karaws)

requests.get 中包含的方法：

method 含义
url 指定 Request 对象的 URL
params（可选） 指定 Request 对象的查询字符串，可以是字典（Dict）或者字节数组（Bytes）
headers（可选） 指定 Request 对象的 HTTP 头部内容，是以字典（Dict）的形式
proxies（可选） 指定代理网址，是以字典（Dict）的形式
timeout（可选） 指定等待服务器响应的超时时间，可以是整形、浮点型，也可以是一个元组 (t1, t2)，如果是元组，那么 t1 表示连接超时，t2 表示读取超时
cookies（可选） 指定 Request 对象的 cookies 内容，可以是字典（Dict）或者 CookieJar 对象
data（可选） 指定 Request 对象的 body 内容，可以是字典（Dict）、包含元组的列表 [(key, value)]、字节数组（Bytes）或者类文件对象
json（可选） 指定 Request 对象的 body 内容，是以 JSON 格式的形式
files（可选） 以字典的形式上传多部分编码文件（{‘name’: file-like-objects} 或 {‘name’: file-tuple}），其中的 file-tuple 可以是一个 2 元组 (‘filename’, fileobj)，也可以是一个 3 元组 (‘filename’, fileobj, ‘content_type’)，还可以是一个 4 元组 (‘filename’, fileobj, ‘content_type’, custom_headers)。注：’content-type’ 是由一个字符串来描述上传的文件类型；custom_headers 是一个类似字典的对象，包含额外的 header 信息
auth（可选） 启用 Basic（基础）或 Digest（摘要式）或 Custom（自定义）的 HTTP 认证
allow_redirects（可选） 是否允许重定向，Enable（启用）或 disable（禁用）GET/OPTIONS/POST/PUT/PATCH/DELETE/HEAD 的重定向，默认值是 True
cert（可选） 如果是字符串，那么是 ssl 客户端证书（.pem）的路径；如果是元组，那么是一个 (‘cert’, ‘key’) 的键值对
verify（可选） 可以是一个布尔类型的值，表示是否验证服务器的 TLS 证书；也可以是一个字符串，包含一个 CA 证书的路径。默认值是 True
stream（可选） 是否允许流式传输数据（大视频），如果为 False，响应内容会立即下载

2.1.1 传递 URL 参数

给 URL 的查询字符串 (query string) 传递某种数据。如果你是手工构建 URL，也就是通过拼接字符串构造的 URL。那么数据会以键 / 值对的形式置于 URL 中，跟在一个问号的后面。

import requests

payload = {'key1': 'value1'， 'key2': 'value2'}
response = requests.get("http://httpbin.org/get"， params=payload)

print(response.url)
# 结果如下：
http://httpbin.org/get?key2=value2&key1=value1

2.1.2 传递请求头

为了将爬虫伪装成浏览器访问，以躲过目标网站的屏蔽，可以给爬虫添加请求头信息。

header={
'User-Agent': 
'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/79.0.3945.130 Safari/537.36'
}
response=requests.get(url, headers=header)

2.1.3 传递代理 ip

有时候仅仅传递请求头并不能躲避目标网站的封锁，这时候可以再加代理 ip，搭建代理 ip 池，实现匿名访问。

ipset=['134.209.13.16:8080','134.203.13.14:8080']

response=requests.get(url, proxies={'http':random.choice(ipset)})

2.1.4 response 返回

print(response)  // 打印状态码   r.status_code 也可以
print(response.text) // 打印返回的文本信息
print(response.content)  // 打印返回的二进制信息，用于图片，视频，音频等
print(response.encoding) // 打印网页的编码信息
print(response.json())   // 打印 json 解码的 response 对象
print(response.url)    // 打印网页的请求 url
print(response.apparent_encoding)  // 返回网页的编码信息

除了一些常用的，还包括一下这些内容：

In [5]: response.
apparent_encoding     cookies                   history
iter_lines            ok                        close                 
elapsed               is_permanent_redirect     json                  
raise_for_status      connection                encoding              
is_redirect           links                     raw                   
content               headers                   iter_content          
next                  reason                    url
.....

2.1.5 文本乱码

添加解码信息

添加一行

response.encoding='utf-8'

万能解码

response.encoding = response.apparent_encoding

2.2 POST 请求

POST 请求主要用来提交表单数据，然后服务器根据表单数据进行分析，再决定返回什么样的数据给客户端。

response=requests.post(url, data=formdata, headers=headers,*karaws)

post 请求除了要传递目标 url 以外，还需要传递表单数据给 data。

如：

headers = {
    'Cookie': cookies_str,
    'Host': 'www.lagou.com',
    'Origin': 'https://www.lagou.com',
    'Referer': 'https://www.lagou.com/jobs/list_python?labelWords=&fromSearch=true&suginput=',
    'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/77.0.3865.90 Safari/537.36',
}

# post 的表单数据
formdata = {
    'first': 'true',
    'pn': '1',
    'kd': 'python'
}

# 提交数据
response = requests.post(url, data=formdata, headers=headers)
# 查看数据
print(response.json())

2.3 HTTP 响应报文

HTTP 响应报文也由三部分组成：响应行、响应头、响应体。

这里主要说说常见的状态码

总结如下：

凡是以 2 开头的状态码 都是成功
凡是以 4 开有的状态码 都是客户端的问题（请求不存在的内容）
凡是以 5 开头的状态吗 都是服务器的问题

如果发送了一个错误请求 (一个 4XX 客户端错误，或者 5XX 服务器错误响应)，我们可以通过 response.raise_for_status() 来抛出异常。

100~199：表示成功接收请求，要求客户端继续提交下一次请求才能完成整个处理过程。

200~299：表示成功接收请求并已完成整个处理过程。常用 200

300~399：为完成请求，客户需进一步细化请求。例如：请求的资源已经移动一个新地址、常用 302(意味着你请求我，我让你去找别人)，307 和 304(我不给你这个资源，自己拿缓存)

400~499：客户端的请求有错误，常用 404(意味着你请求的资源在 web 服务器中没有)403(服务器拒绝访问，权限不够)

500~599：服务器端出现错误，常用 500

2.4 重定向

重定向 (Redirect) 就是通过各种方法将一个网络请求重新定个方向转到其它位置。可能的原因是有些网址现在已经废弃不准备再使用等。

如果你使用的是 GET、POST 等，那么你可以通过 allow_redirects 参数禁用重定向处理：

r = requests.get(url， allow_redirects=False)
欢迎各位看官及技术大佬前来交流指导呀，可以邮件至 jqiange@yeah.net

©2016-2021 Jqiange

Built with Hexo and 3-hexo theme