Python爬虫----初识爬虫

我们开始来谈谈python的爬虫。

1.什么是爬虫：

网络爬虫是一种按照一定的规则，自动地抓取万维网信息的程序或者脚本。另外一些不常使用的名字还有蚂蚁、自动索引、模拟程序或者蠕虫。互联网犹如一个大蜘蛛网，我们的爬虫就犹如一个蜘蛛，当在互联网遇到所需要的资源，我们就会爬取下来，即为爬虫是一个请求网站并且提取数据的自动化程序。

2.下面我们来提到两个名词：

1）请求，request即为我们的请求，当我们在浏览器内输入网址，敲击回车时，这时浏览器就会发送消息给该网址所在的服务器，这个过程叫做HTTP Request

2）响应，response即为我们的响应，服务器在接收到浏览器发送的消息后，能够根据浏览器发送消息的内容做出相应的处理，然后把消息回传给浏览器。这个过程就做HTTP Response。浏览器收到服务器的Response信息后，会对信息进行处理，然后展示。

3.Request中包含什么？

1）请求方式，请求方式主要包含get，post，另外还有put，head，delete，options等，但我们常用的、常见的还是get和post请求。

get请求：get请求方式所有的参数都包含在URL地址里，get请求可以直接在浏览器地址栏内输入URL地址，然后直接访问。

post请求：比get方式多包含一个formdata数据，且参数没有在URL地址内。不可以直接在地址栏访问，需要构造一个form表单，进行提交访问。

同时post请求所有参数不显示地址栏内，相对于get请求来说更安全。

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。

3）请求头，包含请求时的头部信息，如User-Agent、Host、Cookies等信息，请求头是一个很重要的参数，在很多爬虫里需要设置请求头信息，

一般权限验证，浏览器类型等信息，如下图所示：

4）请求体，请求时额外携带的数据，如表单提交时的表单数据，一般来说get方式请求时，都没有请求体。

4.Response中包含什么？

1）响应状态，有多种响应状态，如200代表成功，404找不到页面，500服务器错误

扩展：

-1xx ：报告的 -请求被接收到，继续处理

-2xx ：成功 - 被成功地接收（received），理解（understood），接受（accepted）的动作 。

-3xx ：重发 - 为了完成请求必须采取进一步的动作。

-4xx ：客户端出错 - 请求包括错的语法或不能被满足。

-5xx ：服务器出错 - 服务器无法完成显然有效的请求。

2）响应头，如内容类型、内容长度、服务器信息、设置Cookie等等信息。如图所示：

3）响应体，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（视频，图片等）等信息。

我们爬取的数据大部分就是从这个部分获取的

5，我们所需要的环境和资源

1）python环境，最好是python3，python2在2020年就不再维护了，语法还是有一定差异的，我建议使用python3。

2）redis，mongo分关系型数据库，安装过程自行百度。（后期会有专门的博客来说明讲解非关系型数据库）。

3）scrapy环境，pip install scrapy即可安装。

4）Urllib库，Requests库，BeautifulSoup库，PyQuery，Selenium和与其相关联的环境配置（后面我们会逐个来说明每一个库和其操作使用方法）。

总结：爬虫是一个请求网站并且提取数据的自动化程序。有的是通过原生html标签就可以获取到数据，则有的需要通过解析ajax请求来取得数据。

• [

  爬虫实战 | 抓取资讯

  准备工作 准备抓取的网址：http://www.guandian.cn/list_cat_tag/ 网页预览： 准备抓取的内容： 资讯标题、发布时间、内容摘要、标签 通过检查网页元素，查看准备抓取的内容分别在网页数据中的哪个节点： 运行环境： Win10、Python3.6、PyCharm 需要用到的python模块： requests —— 请求网页数据 lxml —— 解析

  ](https://blog.51cto.com/u_15127679/2852131)

  java

• [

  爬虫抓取个人课表

  爬虫爬取自己的正方教务系统课表。

  ](https://blog.51cto.com/u_15494922/5104397)

  html 正则表达式 linux

• [

  python爬虫文章抓取

  原则上不让非人浏览访问，正常爬虫无法从这里爬取文章，需要进行模拟人为浏览器访问。使用：输入带文章的链接自动生成正文的HTML，文件名为标题名#!/usr/bin/env python# coding=utf-8######################################### #> File Name:N_article.py #> Author: neal

  ](https://blog.51cto.com/u_15953788/6141639)

  HTML html Windows

• [

  爬虫抓取动态网页

  使用chrome浏览器,启动开发工具, network,双击文件查看文件，采用火车头采集，python做后期开发。Python 抓取动态网页内容

  ](https://blog.51cto.com/alantop/5748479)

  动态网页 python ico

• [

  Python爬虫抓取csdn博客

  Python爬虫抓取csdn博客 昨天晚上为了下载保存某位csdn大牛的全部博文，写了一个爬虫来自动抓取文章并保存到txt文本，当然也可以 保存到html网页中。这样就可以不用Ctrl+C 和Ctrl+V了，非常方便，抓取别的网站也是大同小异。为了解析抓取的网页，用到了第三方模块，BeautifulSoup，这个模块对于解析html文件非常有用

  ](https://blog.51cto.com/u_5675012/1677716)

  浏览器 表达式 import 第三方 sleep

• [

  使用selenium爬虫抓取数据

  写在前面 本来这篇文章该几个月前写的，后来忙着忙着就给忘记了。ps:事多有时候反倒会耽误事。几个月前，记得群里一朋友说想用selenium去爬数据，关于爬数据，一般是模拟访问某些固定网站，将自己关注的信息进行爬取，然后再将爬出的数据进行处理。他的需求是将文章直接导入到富文本编辑器去发布，其实这也是爬

  ](https://blog.51cto.com/u_15009374/3148607)

  selenium

• [

  使用爬虫抓取网页内容

  对于爬虫我们首先想到的是 python，但是对于前

  ](https://blog.51cto.com/u_11415078/5879544)

  js ico 数据 json

• [

  网络爬虫的抓取策略

  遍历策略是爬虫的核心问题，在爬虫系统中，待抓取URL队列是很重要的一部分。待抓取URL队列中的URL以什么样的顺序排列也是一个很重要的问题，因为这涉及到先抓取那个页面，后抓取哪个页面而决定这些URL排列顺序的方法，叫做抓取策略爬虫策略主要有以下几种：一，深度优先遍历策略：深度优先遍历测试是指网络爬虫会从起始页开始，一个链接一个链接跟踪下去，处理完这条线路的链接之后，在再转入下一个起始页，继续跟踪链

  ](https://blog.51cto.com/u_14291507/2378767)

  爬虫 ip 代理 动态ip

• [

  Nodejs实现爬虫抓取数据

  开始之前请先确保自己安装了Node.js环境，还没有安装的的童鞋请自行百度安装教程… 1.在项目文件夹安装两个必须的依赖包 superagent 是一个轻量的,渐进式的ajax api,可读性好,学习曲线低,内部依赖nodejs原生的请求api,适用于nodejs环境下 cheerio是n

  ](https://blog.51cto.com/u_13942732/3131722)

  nodejs crawler

• [

  python爬虫抓取哈尔滨天气信息（静态爬虫）

  环境： windows7 python3.4（pip install requests；pip install Beaut

  ](https://blog.51cto.com/u_15748605/5566528)

  python爬虫 html 打开文件 换行符

• [

  你的爬虫票价价格暴涨

  关注公众号：Python爬虫数据分析挖掘，免费获取更多开源项目源码4 月 29 日下午，北京市宣布公共卫生应急响应级别调至二级后。多家OTA网站当日数据显示：消息公布的1个小时内，北京出发的机票预订量较上一时段暴涨15倍，北京进出港机票成交量比前一天同时段增长超500%

  ](https://blog.51cto.com/u_11949039/2835167)

  Python 爬虫

• [

  Python爬虫实现抓取网页图片

  Python抓取网页内容

  ](https://blog.51cto.com/kuing/1709672)

  python爬虫 Python抓取贴吧图片

• [

  爬虫之美女图片抓取

  import requests ,re,json,pandas as pd,timefrom selenium import webdriver

  ](https://blog.51cto.com/u_15429890/4644051)

  爬虫 python url html desktop

• [

  网页爬虫抓取URL简单实现

  关键字：网页爬虫抓取URL简单实现 .//开始…package com.ogilvy.sayes.util; import java.io.InputStream; import java.net.URL; import java.util.ArrayList; import java.util.Hashtable; /*…

  ](https://blog.51cto.com/u_7450530/6250487)

  爬虫 java System html

• [

  爬虫/抓取工具汇总

  （1）casperjs 内置完整的浏览器引擎，可以抓取（网页特定内容），交互（提交表单等），做测试工具使用。

  ](https://blog.51cto.com/u_15057829/3450116)

  提交表单 测试工具

• [

  python爬虫抓取妹子图片

  1.使用模块bs4requests2.实现思路首先通过requests库的get方法获取对应url地址的Response对象，然后得到content（字节类型信息），解码，并编码为utf-8，再通过bs转换为lxml类型，分析具体的样式，定位到目标图片所在标签，得到图片的src和标题，最后下载妹子图片并保存到本地3.主要接口1.获取妹子图片下载地址和标题这里主要有两点要考虑：1.网页的编码问题2

  ](https://blog.51cto.com/u_15127499/2674015)

  python 爬虫

• [

  python爬虫CSDN文章抓取

  CSDN原则上不让非人浏览访问，正常爬虫无法从这里爬取文章，需要进行模拟人为浏览器访问。 使用：输入带文章的CSDN链接自动生成正文的HTML，文件名为标题名 #!/usr/bin/env python# coding=utf-8######################################### #> File Name: CSDN_article.py

  ](https://blog.51cto.com/u_15127657/3941210)

  html linux ubuntu .net firefox

• [

  python 爬虫 抓取文字 爬虫爬取文字

  注意：只是文字，其他都行，自己实现吧。 1 import requests 2 from lxml import etree 3 from urllib.request import urlopen, Request 4 5 import time 6 class blog(): 7 8 def __init__(self,url): 9

  ](https://blog.51cto.com/u_16099210/6315458)

  html 分页 HTML

• [

  python 抓取网页内容 python爬虫抓取网页数据

  安装requests_htmlpython爬虫需要安装额外的包requests_html解析器，官网地址为(http://html.python-requests.org/) 使用pip命令安装requests_html，打开终端输入：pip3 install requests_html有时可能pip版本过低会报错，安装不上requests_html，可以使用下面命令升级pip至最新版本升级pip

  ](https://blog.51cto.com/u_12197/6335151)

  python 爬虫 html HTML