爬虫基础入门

01、通用爬虫和聚焦爬虫

根据使用场景，网络爬虫可以分为通用爬虫和聚焦爬虫两种。

通用爬虫

通用网络爬虫是捜索引擎抓取系统（Baidu、Google、Yahoo等）的重要组成部分。主要目的是将互联网上的网页下载到本地，形成一个互联网内容的镜像备份。

通用搜索引擎(Search Engine)工作原理

通用网络爬虫 从互联网中搜集网页，采集信息，这些网页信息用于为搜索引擎建立索引从而提供支持，它决定着整个引擎系统的内容是否丰富，信息是否即时，因此其性能的优劣直接影响着搜索引擎的效果。

第一步：抓取网页

搜索引擎网络爬虫的基本工作流程如下：

1. 首先选取一部分的种子URL，将这些URL放入待抓取URL队列；
2. 取出待抓取URL，解析DNS得到主机IP，并将URL对应的网页下载下来，存储进已下载的网页库中，并将这些URL放进已经抓取URL队列。
3. 分析已抓取URL队列中的URL，分析其中的其他URL，并且将URL放入待抓取URL队列，从而进入下一个循环。

搜索引擎如何获取一个新网站的URL：

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（尽可能处于搜索引擎爬虫爬取范围之内）
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。

爬虫限制：

搜索引擎蜘蛛的爬行是被输入了一定的规则的，它需要遵从一些命令或文件的内容，如标注为nofollow的链接，或者是Robots协议。

1. rel=“nofollow”，告诉搜索引擎爬虫无需抓取目标页，同时告诉搜索引擎无需将的当前页的Pagerank传递到目标页.
2. Robots协议（也叫爬虫协议、机器人协议等），全称是“网络爬虫排除标准”（Robots Exclusion Protocol），网站通过Robots协议告诉搜索引擎哪些页面可以抓取，哪些页面不能抓取。

第二步：数据存储

搜索引擎通过爬虫爬取到的网页，将数据存入原始页面数据库。其中的页面数据与用户浏览器得到的HTML是完全一样的。

搜索引擎蜘蛛在抓取网页时，也做一定的重复内容检测，一旦遇到访问权重很低的网站上有大量抄袭、采集、复制的内容，很可能就不再爬取。

第三步：预处理

搜索引擎将爬虫抓取回来的页面，进行各种步骤的预处理。

• 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
• 链接关系计算
• 特殊文件处理
  . . .
  除了HTML文件之外，搜索引擎通常还能抓取和索引以文字为基础的多种文件类型，如PDF、Word、WPS、PPT、TXT文件等。
  但搜索引擎还不能处理图片、视频、Flash这类非文字内容，也不能执行脚本和程序。

第四步：提供检索服务、网站排名

搜索引擎在对信息进行组织和处理后，为用户提供关键字检索服务，将用户检索相关的信息展示给用户。

同时根据页面的PageRank值（链接的访问量排名）来进行网站排名，这让Rank值高的网站在搜索结果中会排名靠前。
![在这里插入图片描述](https://img-blog.csdnimg.cn/20200422110725339.png?x-oss-process=image/watermark,type_ZmFuZ3poZW5naGVpdGk,shadow_10,text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L1dhbmd0dW8xMTE1,size_16,color_FFFFFF,t_70

局限性

1. 通用搜索引擎返回的都是网页，大多情况下，网页里90%的内容对用户来说都是无用的；
2. 搜索引擎无法提供针对具体某个用户的搜索结果；
3. 图片、数据库、音频、视频多媒体等不能很好地发现和获取；
4. 基于关键字的检索，难以支持根据语义信息提出的查询，无法准确理解用户的具体需求。

基于以上情况，聚焦爬虫技术得以广泛应用。

聚焦爬虫， 是"面向特定主题需求"的一种网络爬虫程序，它与通用搜索引擎爬虫的区别在于：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。

02、HTTP和HTTPS

• HTTP协议-80端口
  HyperTextTransferProtocol, 超文本传输协议是一种发布和接收HTML页面的方法。
• HTTPS-443端口
  HypertextTransferProtocoloverSecureSocketLayer, 简单讲是HTTP的安全版，在HTTP下加入SSL 层。

网络爬虫抓取过程可以理解为模拟浏览器操作的过程。
![在这里插入图片描述](https://img-blog.csdnimg.cn/202004221143147.png?x-oss-process=image/watermark,type_ZmFuZ3poZW5naGVpdGk,shadow_10,text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L1dhbmd0dW8xMTE1,size_16,color_FFFFFF,t_70

浏览器发送HTTP请求的过程

1. 当用户在浏览器的地址栏中输入一个URL并按回车键之后，浏览器会向HTTP服务器发送HTTP请求。HTTP请求主要分为“Get”和“Post”两种方法。
2. 当我们在浏览器输入URLhttp://www.baidu.com的时候，浏览器发送一个Request请求去获取http://www.baidu.com的html文件，服务器把Response文件对象发送回给浏览器。
3. 浏览器分析Response中的HTML，发现其中引用了很多其他文件，比如Images文件，CSS文件，JS文件。浏览器会自动再次发送Request去获取图片，CSS文件，或者JS文件。
4. 当所有的文件都下载成功后，网页会根据HTML语法结构，完整的显示出来了。

URL
URL（Uniform/UniversalResourceLocator的缩写）：统一资源定位符，是用于完整地描述Internet上网页和其他资源的地址的一种标识方法。

基本格式: scheme://host[:port#]/path/…/[?query-string][#anchor]

• 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）

03、客户端HTTP请求

客户端发送一个HTTP请求到服务器的请求消息，包括以下格式:

请求方法Method

根据HTTP标准，HTTP请求可以使用多种请求方法.
HTTP1.0：完善的请求/响应模型，并将协议补充完整，定义了三种请求方法：GET,POST和HEAD方法。
HTTP1.1：在1.0基础上进行更新，新增了五种请求方法：OPTIONS,PUT,DELETE,TRACE和CONNECT方法。

HTTP8种请求方法的具体介绍请看我的另一篇博客：传送门

GET和POST详解：

• GET是从服务器上获取数据，POST是向服务器传送数据
• GET请求参数显示，都显示在浏览器网址上，即“Get”请求的参数是URL的一部分。
• POST请求参数在请求体当中，消息长度没有限制而且以隐式的方式进行发送，通常用来向HTTP服务器提交量比较大的数据（比如请求中包含许多参数或者文件上传操作等），请求的参数包含在“Content-Type”消息头里，指明该消息体的媒体类型和编码。

常用的请求报头

• Host: 主机和端口号
• Connection : 客户端与服务连接类型, 默认为keep-alive
• User-Agent： 客户浏览器的名称
• Accept： 浏览器或其他客户端可以接受的MIME文件类型
  
• Referer：表明产生请求的网页来自于哪个URL
• Accept-Encoding：指出浏览器可以接受的编码方式。
• Accept-Language：语言种类
• Accept-Charset： 字符编码
  
• Cookie：浏览器用这个属性向服务器发送Cookie
• Content-Type：POST请求里用来表示的内容类型。

04、HTTP响应

HTTP响应由四个部分组成，分别是： 状态行 、 消息报头 、 空行 、 响应正文
![在这里插入图片描述](https://img-blog.csdnimg.cn/20200422115934392.png?x-oss-process=image/watermark,type_ZmFuZ3poZW5naGVpdGk,shadow_10,text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L1dhbmd0dW8xMTE1,size_16,color_FFFFFF,t_70

响应状态码：

• 200: 请求成功
• 302: 请求页面临时转移至新url
• 307和304: 使用缓存资源
• 404: 服务器无法找到请求页面
• 403: 服务器拒绝访问，权限不够
• 500: 服务器遇到不可预知的情况

Cookie和Session

服务器和客户端的交互仅限于请求/响应过程，结束之后便断开，在下一次请求时，服务器会认为新的客户端。为了维护他们之间的链接，让服务器知道这是前一个用户发送的请求，必须在一个地方保存客户端的信息。

• Cookie：通过在客户端记录的信息确定用户的身份。
• Session：通过在服务器端记录的信息确定用户的身份。

关于Cookie和Session的介绍见这里：叮、传送门

05、图片下载器

制作爬虫的基本步骤

1. 需求分析（http://image.baidu.com/search/index?tn=baiduimage&word=cat）
2. 分析网页源代码，配合F12
3. 编写正则表达式或者其他解析器代码
4. 存储数据到本地
5. 正式编写python爬虫代码

import os
import re

import requests
from colorama import Fore


def download_image(url):
    """
    下载图片
    :param url:图片的网址
    :return:
    """
    # 1.向服务器发起http请求
    response = requests.get(url)
    # 2.获取服务器的响应信息
    # 响应信息：status_code, text, url
    # print(response.url)
    # print(response.content)   返回的是bytes类型的信息
    # print(response.text)    返回的是unicode的文本信息
    # print(dir(response))
    # 获取包含图片url地址的html文档, unicode的文本信息
    data = response.text
    # 3.编写正则表达式,获取图片的地址
    # ObjURL":"http:\/\/img0.imgtn.bdimg.com\/it\/u=2072494435,853546208&fm=214&gp=0.jpg"
    # 提取到的url："http:\/\/img0.imgtn.bdimg.com\/it\/u=2072494435,853546208&fm=214&gp=0.jpg"
    # 正则表达式规则： . 代表了除\n之外的任意字符, *代表前一个字符出现0次或者无数次 ?非贪婪模式
    # r代表非转义的原始字符串
    pattern = r'"objURL":"(.*?)"'
    # 4.根据正则表达式寻找符合条件的图片的url
    images_url = re.findall(pattern, data)
    # 5.下载图片到本地
    index = 1
    for image_url in images_url:
        try:
            response = requests.get(image_url)
        except Exception as e:
            print(Fore.RED + '[-]下载失败：%s' %(image_url))
        else:
            # 获取图片格式: 方法1：通过os.path.splitext()[-1]
            image_format = os.path.splitext(image_url)[-1] # .jpg
            # 方法2：通过两次split获取
            # image_format = image_url.split('/')[-1].split('.')[-1] # jpg
            # print(image_format)
    
            # 生成图片存储的绝对路径
            if not os.path.dirname(keyword):
                os.mkdir(keyword)
            image_filename = os.path.join(keyword, str(index) + '.' + image_format)

            with open(image_filename, 'wb') as f:
                f.write(response.content)
                print(Fore.BLUE + '[+]保存图片%s.%s成功' %(index, image_format))
                index += 1



if __name__ == '__main__':
    keyword = input('请输入批量下载图片的关键字： ')
    url = 'http://image.baidu.com/search/index?tn=baiduimage&word=' + keyword
    print(Fore.BLUE + '[+] 正在请求网址： %s' %(url))
    download_image(url)