第二周博文日志

初识网络爬虫

本周主要学习了一些关于网络爬虫的知识，概括如下

一、爬虫的基本信息

• 概念:网络爬虫，也叫网络蜘蛛，网络机器人，是一种用来自动浏览万维网的程序或者脚本。
• 构成:控制器，解析器，资源库
• 网络爬虫的分类:通用网络爬虫、聚焦网络爬虫、增量式网络爬虫、深层网络爬虫
• 爬虫方法:Similarly(页面与爬行主题之间的相似度)，Backlink(页面在Web图中的入度大小)，PageRank(指向它的所有页面平均权值之和)，Forwardlink(页面在Web图中的出度大小 )，Location(页面的信息位置)，Parallel(并行性问题)
• 网络的搜索策略:深度优先（很多情况下会导致爬虫陷入（trapped）），广度优先，最佳优先（广度优先和最佳优先是最常见的两种搜索策略）
• 出现的背景和困难:
  网络迅速发展，万维网成为大量信息的载体，如何有效地提取并利用这些信息成为一个巨大的挑战。动态页面产生，网页数据的流量大且重复率高，网络快速的更新频率。

二、Python爬虫的基本流程

1.发起请求
通过HTTP库向目标站点发起请求，也就是发送一个Request，请求可以包含额外的header等信息，等待服务器响应。
2.获取响应内容
如果服务器能正常响应，会得到一个Response，Response的内容便是所要获取的页面内容，类型可能是HTML,Json字符串，二进制数据（图片或者视频）等类型。
3.解析内容
得到的内容可能是HTML,可以用正则表达式，页面解析库进行解析，可能是Json,可以直接转换为Json对象解析，可能是二进制数据，可以做保存或者进一步的处理。
4.保存数据
保存形式多样，可以存为文本，也可以保存到数据库，或者保存特定格式的文件。

三、Python爬虫的请求方式

主要有：GET/POST两种类型常用，另外还有HEAD/PUT/DELETE/OPTIONS


GET和POST的区别就是：请求的数据GET是在url中，POST则是存放在头部
GET:向指定的资源发出“显示”请求。使用GET方法应该只用在读取数据，而不应当被用于产生“副作用”的操作中，例如在Web Application中。其中一个原因是GET可能会被网络蜘蛛等随意访问
POST:向指定资源提交数据，请求服务器进行处理（例如提交表单或者上传文件）。数据被包含在请求本文中。这个请求可能会创建新的资源或修改现有资源，或二者皆有。
HEAD：与GET方法一样，都是向服务器发出指定资源的请求。只不过服务器将不传回资源的本文部分。它的好处在于，使用这个方法可以在不必传输全部内容的情况下，就可以获取其中“关于该资源的信息”（元信息或称元数据）。
PUT：向指定资源位置上传其最新内容。
OPTIONS：这个方法可使服务器传回该资源所支持的所有HTTP请求方法。用’*'来代替资源名称，向Web服务器发送OPTIONS请求，可以测试服务器功能是否正常运作。
DELETE：请求服务器删除Request-URI所标识的资源。

四、Python爬虫的途径

1.Xpath Helper
Xpath Helper 是一个面向 Xpath 初学者的 Google Chrome 插件。相对于人工找 Xpath 语法，Xpath Helper 可以实现自动分析。只要你打开一个网页，然后点击任何一个网络元素，Xpath Helper 就能自动帮你找出相应的 Xpath 语法。另外，Xpath Helper 还提供了试验 Xpath 语法的功能。
2. 菜鸟工具
相信大家都对菜鸟教程不陌生。没错，菜鸟教程是一个用于自学编程的网站。菜鸟教程还提供了一些在线编程工具。有很多工具都是对于我们爬虫有帮助的，比如 url 编码解码，MD5 加密，json 和 xml 互转等等。
3.浏览器的开发者工具
如果要说最好的爬虫工具，最好的爬虫工具非浏览器自带的开发者工具莫属！浏览器自带的开发者工具给我们提供了查看网页代码，网页文件的功能。几乎每个爬虫者都会用到此工具。
还有一些像Octoparse,Cyotek WebCopy,
HTTrack,Getleft,Scraper,Out Wit Hub,ParseHub,Visual Scraper,
Scrapinghub,Dexi.io,Webhose.io,Import.io,80legs,
Spinn3r,Content Grabber,Helium Scraper,ViPath,
Scrape.it,WebHarry,Connotate等的软件，用途包含商用的和公用的，其中的优劣还需要自己分辨。