爬虫基本原理（1）
2018-10-19 06:17:48来源：博客园 阅读 ()
爬虫是什么
什么是互联网
互联网是由网络设备（网线，路由器，交换机，防火墙等等）和一台台计算机连接而成，像一张网一样。
互联网建立的目的
互联网的核心价值在于数据的共享/传递：数据是存放于一台台计算机上的，而将计算机互联到一起的目的就是为了能够方便彼此之间的数据共享/传递，否则你只能拿U
盘去别人的计算机上拷贝数据了。
什么是上网，爬虫要做的是什么
我们所谓的上网便是由用户端计算机发送请求给目标计算机，将目标计算机的数据下载到本地的过程。
只不过，用户获取网络数据的方式是：浏览器提交请求->下载网页代码->解析/渲染成页面。
而爬虫程序要做的就是：模拟浏览器发送请求->下载网页代码->只提取有用的数据->存放于数据库或文件中
两者的区别在于:我们的爬虫程序只提取网页代码中对我们有用的数据
总结爬虫
爬虫的比喻：如果我们把互联网比作一张大的蜘蛛网，那一台计算机上的数据便是蜘蛛网上的一个猎物，而爬虫程序就是一只小蜘蛛，沿着蜘蛛网抓取自己想要的猎物/数据
爬虫的定义：向网站发起请求，获取资源后分析并提取有用数据的程序
爬虫的价值
互联网中最有价值的便是数据，比如天猫商城的商品信息，链家网的租房信息，雪球网的证券投资信息等等，这些数据都代表了各个行业的真金白银，可以说，谁掌握了行业内的第一手数据，谁就成了整个行业的主宰，如果把整个互联网的数据比喻为一座宝藏，那我们的爬虫课程就是来教大家如何来高效地挖掘这些宝藏，掌握了爬虫技能，你就成了所有互联网信息公司幕后的老板，换言之，它们都在免费为你提供有价值的数据。
爬虫的基本流程
|
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
|
1.发起请求使用http库向目标站点发起请求，即发送一个RequestRequest包含：请求头、请求体等2.获取响应内容如果服务器能正常响应，则会得到一个ResponseResponse包含：html，json，图片，视频等3.解析内容解析html数据：正则表达式，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b的方式写入文件4.保存数据数据库文件 |
请求与响应
|
1
2
3
4
5
|
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）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
|
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
|
1、请求方式： 常用的请求方式：GET，POST 其他请求方式：HEAD，PUT，DELETE，OPTHONS post与get请求最终都会拼接成这种形式：k1=xxx&k2=yyy&k3=zzz post请求的参数放在请求体内,可用浏览器查看，存放于form data内 get请求的参数直接放在url后2、请求url url全称统一资源定位符，如一个网页文档，一张图片 一个视频等都可以用url唯一来确定 url编码 https://www.baidu.com/s?wd=图片 图片会被编码（如：wd=美女-->wd=%E7%BE%8E%E5%A5%B3） 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 一般做爬虫都会加上请求头4、请求体 如果是get方式，请求体没有内容 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 |
Response
|
1
2
3
4
5
6
7
8
9
10
11
12
13
14
|
1、响应状态 200：代表成功 301：代表重定向（跳转） 404：文件不存在 403：权限 502：服务器错误2、Respone header set-cookie：可能有多个，是来告诉浏览器，把cookie保存下来 3、preview就是网页源代码 最主要的部分，包含了请求资源的内容 如网页html，图片 二进制数据等 |
总结
|
1
2
3
4
5
6
7
8
9
10
|
总结爬虫流程： 爬取--->解析--->存储爬虫所需工具： 请求库：requests,selenium 解析库：正则，beautifulsoup，pyquery 存储库：文件，MySQL，Mongodb，Redis爬虫常用框架： scrapy |
标签：
版权申明：本站文章部分自网络，如有侵权，请联系：west999com@outlook.com
特别注意：本站所有转载文章言论不代表本站观点，本站所提供的摄影照片，插画，设计作品，如需使用，请与原作者联系，版权归原作者所有
- 小白如何入门 Python 爬虫？ 2019-08-13
- python day2-爬虫实现github登录 2019-08-13
- python爬虫学习之爬取超清唯美壁纸 2019-08-13
- python爬虫学习之用Python抢火车票的简单小程序 2019-08-13
- python爬虫常用库 2019-08-13
IDC资讯： 主机资讯 注册资讯 托管资讯 vps资讯 网站建设
网站运营： 建站经验 策划盈利 搜索优化 网站推广 免费资源
网络编程： Asp.Net编程 Asp编程 Php编程 Xml编程 Access Mssql Mysql 其它
服务器技术： Web服务器 Ftp服务器 Mail服务器 Dns服务器 安全防护
软件技巧： 其它软件 Word Excel Powerpoint Ghost Vista QQ空间 QQ FlashGet 迅雷
网页制作： FrontPages Dreamweaver Javascript css photoshop fireworks Flash
