python爬虫(一)
一. 爬虫的定义 :程序或者脚本----自动爬取万维网数据的程序或者脚本;
二. 爬虫可以解决的问题:
(1)解决冷启动问题。
(2)搜索引擎的根基。–通用爬虫
(3)帮助及其学习建立知识图谱。
(4)制作各种比价软件
三. 爬虫工程师的进阶之路:
初级爬虫工程师
1.web 前端的知识: HTML、CSS、JavaSc1ipt、 DOM、 DHTML 、Ajax、jQuery、json 等;
2、正则表达式, 能提取正常一般网页中想要的信息,比如某些特殊的文字, 链接信息, 知道什么是懒惰, 什么是贪婪型的正则;
3、会使用 XPath 等获取一些DOM 结构中的节点信息;
4、知道什么是深度优先, 广度优先的抓取算法, 及实践中的使用规则;
5、能分析简单网站的结构, 会使用urllib或requests 库进行简单的数据抓取。
中级爬虫工程师:
1、了解什么事HASH,会简单地使用MD5,SHA1等算法对数据进行HASH一遍存储
2、熟悉HTTP,HTTPS协议的基础知识,了解GET,POST方法,了解HTTP头中的信息,包括返回状态码,编码,user-agent,cookie,session等
3、能设置user-agent进行数据爬取,设置代理等
4、知道什么事Request,什么事response,会使用Fiddler等工具抓取及分析简单地网络数据包;对于动态爬虫,要学会分析ajax请求,模拟制造post数据包请求,抓取客户端session等信息,对于一些简单的网站,能够通过模拟数据包进行自动登录。
5、对于一些难搞定的网站学会使用phantomjs+selenium抓取一些动态网页信息
6、并发下载,通过并行下载加速数据爬取;多线程的使用。
高级爬虫工程师:
1、能够使用Tesseract,百度AI,HOG+SVM,CNN等库进行验证码识别。
2、能使用数据挖掘技术,分类算法等避免死链。
3、会使用常用的数据库进行数据存储,查询。比如mongoDB,redis;学习如何通过缓存避免重复下载的问题。
4、能够使用机器学习的技术动态调整爬虫的爬取策略,从而避免被禁IP封禁等。
5、能使用一些开源框架scrapy,scrapy-redis等分布式爬虫,能部署掌控分布式爬虫进行大规模数据爬取。
四.搜索引擎
(1)概念:
搜索引擎是通过特定的算法,从互联网上获取网页信息,将其保存到本地,为用户提供检索服务的一种程序
(2)组成:搜索引擎主要是由通用爬虫组成的
<1>通用爬虫:将互联网上网页信息【整体】爬取下来的爬虫程序。
<2>搜索引擎的工作步骤:
1.抓取网页
2.数据存储
3.预处理
提取文字
中文分词
消除噪音
4.设置网站排名(访问量),为用户提供检索服务
<3>为什么搜索引擎可以爬取所有的网页?--搜索引擎的通用爬虫是如何爬取所有网页的
一个网页就是一个url,这个问题其实在问,【url的获取来源】
url的获取来源:
1.新网站会主动提交网址给搜索引擎。
2.网页中的一些外链,这些url全部都会加入到通用爬虫的爬取队列
3.搜索引擎和dns解析服务商合作,如果有新网站注册,搜索引擎就可以拿到网址。
(3)通用爬虫的缺陷:
<1>通用爬虫是爬取整个网页,但是网页中90%的内容基本是没用的。
<2>不能满足不同行业,不同人员的不同需求。
<3>只能获取文字,不能获取音频,视频,文档等信息。
<4>只能通过关键字查询,无法通过语义查询
(4)聚焦爬虫:在实施网页抓取的过程中,会对【内容进行筛选】,尽量保证【只抓取与需求相关的信息程序】。
五.robots协议
- 定义:网络爬虫排隆标准
- 作用:告诉搜索引擎哪些可以爬哪些不能爬。
六.http协议
(1)什么是http协议:
是一种规范--约数发不和接受HTML的规范
(2)http和https
http:超文本传输协议
https:安全版的http协议 --ssl--
对称加密--秘钥
非对称加密--私钥+公钥
数字签证---
(3)https:443
http:80
(4)http的特点:
<1>应用层协议,
<2>无连接:http每次发送请求和响应的过程都是独立的
在http1.0后,有请求头,有请求头:connection:keep-alive: 客户端和服务建立长连接
<3>无状态:http协议不记录状态。
cookie和session做到请求状态的记录。
cookie是在客户端保存,session是在服务器保存
(5)url:统一资源定位符
<1>主要作用:用来定位互联网上的任意资源的位置
<2>为什么url可以定位任意资源?
组成:https://www.baidu.com/index.html?username=123&password=abc#top
scheme:协议--https
netloc:网络地址: ip:port--www.baidu.com
通过ip定位电脑,通过port定位应用
10.10.92.44
代理ip:ip:port
path:资源路径----index.html
query:请求参数----? 后面的内容username=123&password=abc
fragment:锚点---top
原因:url包含netloc可以定位电脑,path定位资源,这样就可以找到任意在互联网上的信息
<3>特殊符号:
?:后面就是请求参数
&: 连接请求参数
#:锚点---如果url中有锚点,在爬虫程序中尽量去除,否则可能拿不到数据
(6)http的工作过程:
<1>地址解析:
将url的所有组成部分分别解析出来
<2>封装http请求数据包
将第一步解析出来的信息进行装包 ---http数据包
<3>封装top数据包,通过三次握手建立top
<4>客户端发送请求
<5>服务发送响应
<6>关闭top连接
(7)当我们在浏览器输入一个url,浏览器加载出这个页面,中间做了哪些事?
<1>客户端解析url,封装数据包,建立连接,发送请求
<2>服务器返回url对应资源文件给客户端,比如:index.html <3>客户端检查index.html是否有静态资源(引用外部文件),比如js,css,图片。有的话分别发送请求,来获取这些静态资源
<4>客户端获取所有静态:通过html语法,完全将index.html页面显示出来
(8)http的请求方法:
get请求:get(获取)---获取服务器的指定资源---涉及到筛选一些信息---请求参数:主要拼接在url中 ---不安全(别人可以通过url获取信息) ---请求参数的大小受限
post请求:post(邮递)---向服务器传递数据---请求数据是方法在请求实体中的---安全---大小不受限
(9)客户端请求:
<1>组成:请求行,请求头,空行,请求数据(实体)
请求头:请求方法:host地址,http协议版本
<2>请求头:
user-agent:客户端标识
accept:允许传入的文件类型
Accept: text/html,application/xhtml+xml,application/xml;q=0.9,image/webp,image/apng,*/*;q=0.8,application/signed-exchange;v=b3
Referer:标识产生请求的网页来自于哪个网页
防盗链
cookie:cookie信息 ---现在很多网站,必须封装cookie才给数据
post请求重要的请求头:
content-type:post请求的数据类型
content-length:post请求数据的长度
ajax请求必须封装的头:
x-requested-with:xmlhttprequest
(10)服务器响应:
<1>组成:状态行,响应头,空行,响应正文
<2>响应头:
Content-Type:text/html;charset=UTF-8
<3>状态码(面试常考):
1XX:表示服务器成功接收部分请求,还需要发生于请求才能处理整个过程。(处理了一半)
2XX:标识服务器成功接收请求并处理完整个过程。(成功)
200 成功
3XX:为了完成请求,客户端需要进一步细化请求。
302:重定向
304:使用缓存资源
4XX:客户端请求错误。(url写错了)
404:服务器无法找到请求内容
403:服务器拒绝访问,权限不够
5XX:服务器错误
502:服务器错误
500:请求未完成,服务器遇到不可知问题。