什么是爬虫
——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。
1. 爬虫在使用场景中的分类:
- 通用爬虫:
- 抓取系统重要组成部分。抓取的是一整张页面数据。
- 聚焦爬虫:
- 是建立在通用爬虫的基础上,抓取的是页面中的特定的局部内容。
- 增量式爬虫:
- 检测网站中数据更新的情况。只会抓取网站中最新更新出来的数据
2. 爬虫的矛与盾:
2.1 反爬机制
门户网站,可以通过制定相应的策略或技术手段,防止爬虫程序进行网站数据的爬取。
2.1.1 robots.txt协议
君子协议。规定网站哪些数据可以被爬取、哪些不可以被爬取。
2.2 反反爬策略
爬虫程序可通过制定相关的策略或技术手段,用来破解门户网站中具备的反爬机制,从而可以获取门户网站的数据。
http协议
- 概念:就是服务器和客户端进行数据交互的一种形式。
- 常用请求头信息:
+ User-Agent:请求载体的身份标识。
+ Connection:请求完毕后,是断开连接还是保持连接。
- 常用响应头信息
+ Content-Type:服务器响应回客户端的数据类型。
https协议
- 's'表示安全的超文本传输协议(http涉及数据证书秘钥加密)
加密方式
- 对称秘钥加密:客户端将发送给服务器的数据进行加密,并将加密后密文和秘钥一起传递给服务器。
- 非对称秘钥加密:服务器设定加密方式公钥A并发送给客户端,客户端使用A给将要发送的数据加密。
- 证书秘钥加密:服务器端设定加密方式公钥A,然后交给证书认证机构给公钥签名(防伪),将证书签名和公钥A一并发给客户端
3. requests模块
python中原生的一款基于网络请求的模块,功能非常强大,简单便捷,效率极高。 (老的urllib模块不讲)
3.1 作用:模拟浏览器发请求。
3.2 如何使用(requests模块的编码流程):
* 指定url
* 发起请求
* 获取响应数据
* 持久化存储
3.3 环境安装:
pip install requests 或直接Pycharm里安装
3.4 实战小例
# 需求:爬取搜狗页面数据
import requests
# 指定url
url = 'http://www.sogou.com/'
# 发起请求(get方法会返回一个响应对象)
response = requests.get(url=url)
# 获取响应数据(text返回的是字符串形式的响应数据)
data_sogou = response.text
print(data_sogou)
# 持久化存储
with open('./sogou.html','w',encoding='utf-8') as fp:
fp.write(data_sogou)
print("爬取结束~~~")
3.5 简易网页采集器 (爬取整张页面)
UA检测 (反扒机制) UA伪装
# UA(user-agent)检测:门户网站的服务器会检测对应请求的载体身份标识,如果检测到请求的载体身份标识为某一款浏览器,意味着这是正常的用户请求。但如果检测到请求的载体身份标识不是基于某一款浏览器的,则表示该请求为不正常的请求(爬虫),则服务器端就很有可能拒绝该请求。
# UA伪装:让爬虫对应的请求载体身份标识伪装成某一款浏览器
import requests
#UA伪装
headers = {
'User-Agent':'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/86.0.4240.111 Safari/537.36'
}
url = 'https://www.sogou.com/web'
# 处理rul携带的参数:封装到字典中
keyw = input('enter a word: ')
param = {
'query':keyw
}
# 对指定的url发起的请求对应的rul是携带参数的,并且请求过程中处理了参数
response = requests.get(url=url,params=param,headers=headers)
page_text = response.text
fileName = keyw+'.html'
with open(fileName,'w',encoding='utf-8') as fp:
fp.write(page_text)
print(fileName,"保存成功!!")