爬虫第一课

1.网络爬虫的定义：

​ 一个程序脚本—>自动的抓取互联网上信息的脚本。

2、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：做搜索引擎少不。
（3）建立知识图谱，帮助建立机器学习知识图谱。
（4）可以制作各种商品的比价软件，趋势分析。

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。
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。

搜索引擎：

1.搜索引擎的主要组成：

​ 通用爬虫：就是将互联网的上页面整体的爬取下来之后，保存到本地。
​ 1.通用爬虫要想爬取网页，需要网站的url.但是搜索引擎是可以搜索所有网页的。那么通用爬虫url就要涉及到所有网页，这个‘所有’是如何做到的。
​ 1.新网站向搜索引擎主动提交网址
​ 2.在其他网站上设置新网站外链。
​ 3、搜索引擎和DNS解析服务商(如DNSPod等)合作，新网站域名将被迅速抓取。

2.搜索引擎的工作流程：

​ 第一步:抓取网页
​ 通过将待爬取的url加入到通用爬虫的url队列中，进行网页内容的爬取。

​ 第二步：数据存储：
​ 将爬取下来网页保存到本地。这个过程中会有一定的去重操作。如果某个网页的内容大部分重复，搜索引擎可能不会保存。
​
​ 第三步：预处理
​ 提取文字
​ 中文分词
​ 消除噪音(比如版权声明文字、导航条、广告等……)
​ 索引处理

​ 第四步：设置网站排名，为用户提供检索服务。
​

3.搜索引擎的局限性：

​ 1、搜索引擎只能爬取原网页，但是页面90%内容都是无用的。
​ 2、搜素引擎不能满足不同行业，不同员的特定需求。
​ 3、通用搜索引擎只能爬取文字信息，对于视频，文件，音频等其他信息无法爬取。
​ 4、只能基于关键字查询，无法基于语义查询。

聚焦爬虫：：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信息。

爬虫准备工作：

​ 1.robots协议
​ 定义：网络爬虫排除标准
​ 作用：告诉搜索引擎哪些内容可以爬，哪些不能爬。
​ 2、sitemap,就是一个网站地图，可以指导我们查看该网页下有哪些内容。
​ https://help.bj.cn/
​ 3、估算网站大小：
​ 在百度中输入：site：目标网站的地址。
​ 4、为了更好的了解网站，抓取该网站的信息，我们可以先了解一下该网站大致所使用的的技术架构。
​ 安装builtwith：pip install bulitwith
​ 使用：在python交互环境下，输入：
​ Import buildwith
​ Buildwith.parse(‘http://www.sina.com.cn’)
​ 5、有时候，我们需要知道网站的所有者是谁，这里在技术上有个简单地方法可以参考：
​ 安装python-whois：pip install python-whois
​ 使python的交互模式下输入：
​ Import whois
​ Whois.whois(‘http://www.sina.com.cn’)

http和https

1、什么是http协议？

​ http：超文本传输协议,是一个规范。----约束发布和接收html页面的规范。

​ HTTPS (Hypertext Transfer Protocol over Secure Socket Layer)简单讲是http的安全版，在http下加入SSL层

2.http协议的端口号：80

https协议的端口号：443

3、http协议的特点：

​ （1）是一个应用层协议。
​ （2）无连接
​ 每次请求都是独立的。
​ http 1.1 增加了一个Connection: keep-alive，这个头表示，客户端和服务器的连接是一个长连接。
​ （3）无状态。
​ 无状态表示客户端每次请求都不能记录请求状态。也就是两条请求之间无法进行通信。
​ cookie和session可以帮助记录状态。

4.url：统一资源定位符。

​ 为什么可以通过url来定位互联网上的任意资源？
​ http：//ip:port/path
​ ip：可以定位电脑
​ port：端口号—用来从互联网上进入电脑。
​ path:就是为了在电脑中找到对应的资源路径。

​ 有三种特殊符号
​ ？：问好后面就是请求参数。?username=‘zhangsan’&password=‘123’
​ &：请求参数用&连结。?username=‘zhangsan’&password=‘123’
​ #：表示锚点：锚点就是在请求这个url时，页面会跳入锚点指定位置。
​
​ 基本格式：scheme://host[:port#]/path/…/?query-string
​ scheme：协议(例如：http， http， ftp)
​ host：服务器的IP地址或者域名
​ port：服务器的端口(如果是走协议默认端口，缺省端口80)
​ path：访问资源的路径
​ query-string：参数，发送给http服务器的数据
​ anchor：锚(跳转到网页的指定锚点位置)

​ 在python中，有一个模块可以帮助我们解析url。
​ 代码：
​ from urllib import parse

​ url = ‘http://localhost.com:8080/index.htm?username=“zhangsan”&password=“123”’
​ print(parse.urlparse(url))
​ 输入内容：
​ ParseResult(
​ scheme=‘http’,
​ netloc=‘localhost.com:8080’,
​ path=’/index.htm’,
​ params=’’,
​ query=’’,
​ fragment=’’)

5、http工作过程

（1）地址解析，将url解析出对应的内容：

  scheme：协议(例如：http， http， ftp)
host：服务器的IP地址或者域名
port：服务器的端口(如果是走协议默认端口，缺省端口80)
path：访问资源的路径
query-string：参数，发送给http服务器的数据
anchor：锚(跳转到网页的指定锚点位置)

（2）封装http请求数据包
（3）封装成TCP包，建立TCP连接（TCP的三次握手）
TCP握手协议
第一次握手：建立连接时,客户端发送syn包(syn=j)到服务器,并进入SYN_SEND状态,等待服务器确认；
SYN：同步序列编号(Synchronize Sequence Numbers)
第二次握手：服务器收到syn包,必须确认客户的SYN（ack=j+1）,同时自己也发送一个SYN包（syn=k）,即SYN+ACK包,此时服务器进入SYN_RECV状态；
第三次握手：客户端收到服务器的SYN＋ACK包,向服务器发送确认包ACK(ack=k+1),此包发送完毕,客户端和服务器进入ESTABLISHED状态,完成三次握手。
完成三次握手,客户端与服务器开始传送数据

  （4）客户端发送请求。
（5）服务器发送响应。
（6）服务器关闭tcp连接。

6.当我们在浏览器输入一个url，为什么可以加载出一个页面？

为什么，在抓包的过程中，请求了一个url，会出现很多的资源请求。
（1）当我们在浏览器输入一个url，客户端会发送这个url对应的一个请求到指定服务器获取内容。
（2）服务器收到这个请求，解析出对应的内容，之后将内容封装到响应里面发送给客户端。
比如index.html页面。
（3）当客户端拿到这个html页面，会查看这个页面中是否有css、js、image等url，如果有，在分别进行请求，获取到这些资源。
（4）客户端会通过html的语法，将获取到的所有内容完美的显示出来。

7.客户端请求：

​ （1）组成：请求行、请求头部、空行、请求数据四个部分组成
​ (2) 请求方法get/post
​ 1.get方法：
​ get,获取—>从服务器上获取资源—>通过请求参数来告诉服务器获取什么资源。—>请求参数是在url里面用&进行拼接的，也就是？后面的内容。---->所以不安全—>传输参数大小受限。
​ 2、post请求：
​ post，传递—>向服务器传递数据---->数据是封装在请求的实体。—>可以传递更多内容—>更安全。
​ 3、get和post的区别
​ （1）get是从服务器获取内容，post是向服务器传递内容
​ （2）get不安全，因为参数拼接在url后面。post比较安全，因为参数是放在是实体里面。
​ （3）get传参大小受限，post不受限。
​
（3）重要的请求头：
​ User-Agent：客户端请求标识。
​ Accept： (传输文件类型)允许传入的文件类型。
​ Referer ：表明产生请求的网页来自于哪个URL，用户是从该Referer页面访问到当前请求的页面。
​ cookie (cookie)：在做登录的时候需要封装这个头。
​ Content-Type (POST数据类型)
​
​ 发送POST请求时，需要特别注意headers的一些属性：
​ Content-Length: 144： 是指发送的表单数据长度为144，也就是字符个数是144个。
​ X-Requested-With: XMLhttpRequest ：表示Ajax异步请求。
​

8.服务响应

​ 1.组成：状态行，响应头，空行，响应正文。
​ 2、重要响应头：
​ Content-Type：text/html;charset=UTF-8：告诉客户端，资源文件的类型，还有字符编码

​ 3、状态码：
​ 100~199：表示服务器成功接收部分请求，要求客户端继续提交其余请求才能完成整个处理过程。
​ 200~299：表示服务器成功接收请求并已完成整个处理过程。常用200(OK 请求成功)。

​ 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(所请求的页面已经临时转移至新的url)、307和304(使用缓存资源)。
​ 400~499：客户端的请求有错误，常用404(服务器无法找到被请求的页面)、403(服 务器拒绝访问，权限不够—DDos)。
​ 500~599：服务器端出现错误，常用500(请求未完成。服务器遇到不可预知的情况)。

​

hash算法的列子：
	
	import hashlib
	#1.给一个字符串进行加密
	def get_hex(value):
		#1.c创建一个加密对象
		md5_ = hashlib.md5()
		#2.将需要加密的内容update到md5对象中
		#将字符串转化成bytes类型两种方法：
		#str.encode('utf-8')
		#bytes(str,encoding='utf-8')
		md5_.update(value.encode('utf-8'))
		#3.获取加密内容
		return md5_.hexdigest()

	content = '''
	User-Agent：客户端请求标识。
				Accept： (传输文件类型)允许传入的文件类型。
				Referer ：表明产生请求的网页来自于哪个URL，用户是从该Referer页面访问到当前请求的页面。
				cookie (cookie)：在做登录的时候需要封装这个头。
				Content-Type (POST数据类型)
	'''
	print(get_hex(content))

	#2.给一个文件进行加密
	def get_file_hex(filename):
		chunk_size = 1024
		md5_ = hashlib.md5()
		with open(filename,'r',encoding='utf-8') as fp:
			chunk = fp.read(chunk_size)
			if chunk:
				md5_.update(bytes(chunk,encoding='utf-8'))
			return md5_.hexdigest()
	#0eadb2ce9ba0fde4c6ae177d4cbcf748
	#346dce6de3b7ab9c77f19406dc3a36ac
	print(get_file_hex('day01.txt'))	

​