爬虫基础

爬虫前奏

爬虫的实际例子

1.搜索引擎（百度、谷歌、360）
2.伯乐在线（获取全网资源）
3.惠惠购物助手（可以看到历史价格）
4.数据分析与研究（数据冰山知乎专栏）
5.抢票软件等

什么是网络爬虫

1.通俗理解:爬虫是一个模拟人类请求网站行为的程序。可以自动请求网页、并数据抓取下来，然后使用一定的规则提取有价值的数据。
2.专业介绍:百度百科。

通用爬虫和聚焦爬虫

1.通用爬虫:通用爬虫是搜索引擎抓取系统〈百度、谷歌、搜狗等）的重要组成部分。主要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。
⒉聚焦爬虫:是面向特定需求的一种网络爬虫程序，他与通用爬虫的区别在于:聚焦爬虫在实施网页抓取的时候会对内容进行筛选和处理，尽量保证只抓取与需求相关的网页信息。

为什么用python写爬虫程序：

1.PHP:PHP是世界是最好的语言，但他天生不是做这个的，而且对多线程、异步支持不是很好，并发处理能力弱。爬虫是工具性程序，对速度和效率要求比较高。
2.Java:生态圈很完善，是Python爬虫最大的竞争对手。但是Java语言本身很笨重，代码量很大。重构成本比较高，任何修改会导致代码大量改动。爬虫经常要修改采集代码。
3.C/C++:运行效率是无敌的。但是学习和开发成本高。写个小爬虫程序可能要大半天时间。
4.Python:语法优美、代码简洁、开发效率高、支持的模块多。相关的HTTP请求模块和HTML解析模块非常丰富。还有Scrapy和Scrapy-redis框架让我们开发爬虫变得异常简单。

开发环境

1. Python3.6开发环境。
2. Pycharm 2017

http协议和chrome抓包工具

什么是http和https协议

HTTP协议:全称是 typerText Transfer Protocol,中文意思是超文本传输协议，是一种发布和接收HTML页面的方法。服务器端口号是80端口。
HTTPS协议:是HTTP协议的加密版本，在HTTP下加入了SSL层。服务器端口号是443端口。

在浏览器中发送一个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。
⒉.当我们在浏览器输入URL http;//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详解：

URL是 uniform Resource Locator的简写，统一资源定位符。一个 URL由以下几部分组成:

scheme: / /host:port/ path/ ?query-string=xxx#anchor

• scheme :代表的是访问的协议，一般为http 或者https 以及 ftp等。
• host:主机名，域名，比如www.baidu.com o
• port:端口号。当你访问一个网站的时候，浏览器默认使用80端口。
• path:查找路径。比如: www.jianshu.com/trending/now ,后面的trending /now就是 path o
• query-string:查询字符串，比如: www.baidu.com/s?wd=python ，后面的wd=python就是查询字符串。
• anchor :锚点，后台一般不用管，前端用来做页面定位的。
  在浏览器中请求一个url ，浏览器会对这个url进行一个编码。除英文字母，数字和部分符号外，其他的全部使用百分号+十六进制码值进行编码。

常见的请求方法

在Http协议中，定义了八种请求方法。这里介绍两种常用的请求方法，分别是 get请求和post请求。

1. get 请求:一般情况下，只从服务器获取数据下来，并不会对服务器资源产生任何影响的时候会使用get请求。
2. post请求:向服务器发送数据〈登录)、上传文件等，会对服务器资源产生影响的时候会使用post 请求。

• 以上是在网站开发中常用的两种方法。并且一般情况下都会遵循使用的原则。但是有的网站和服务器为了做反爬虫机制，也经常会不按常理出牌，有可能一个应该使用get方法的请求就一定要改成post请求，这个要视情况而定。

• 请求头信息

• 在http 协议中，向服务器发送一个请求，数据分为三部分，第一个是把数据放在url中，第二个是把数据放在body中(在post 请求中〉，第三个就是把数据放在head中。这里介绍在网络爬虫中经常会用到的一些请求头参数:
• 1. User-Agent:浏览器名称。这个在网络爬虫中经常会被使用到。请求一个网页的时候，服务器通过这个参数就可以知道这个请求是由哪种浏览器发送的。如果我们是通过爬虫发送请求，那么我们的 User-Agent就是Python ，这对于那些有反爬虫机制的网站来说，可以轻易的判断你这个请求是爬虫。因此我们要经常设置这个值为一些浏览器的值，来伪装我们的爬虫。
• 2. Referer:表明当前这个请求是从哪个ur1过来的。这个一般也可以用来做反爬虫技术。如果不是从指定页面过来的，那么就不做相关的响应。
• 3. cookie : http协议是无状态的。也就是同一个人发送了两次请求，服务器没有能力知道这两个请求是否来自同一个人。因此这时候就用cookie来做标识。一般如果想要做登录后才能访问的网站，那么就需要发送cookie信息了。

常见响应状态码

1.200 :请求正常，服务器正常的返回数据。
2. 301:永久重定向。比如在访问ww.jingdong.com的时候会重定向到 wow.jd.com
3. 302:l临时重定向。比如在访问一个需要登录的页面的时候，而此时没有登录，那么就会重定向到登录页面。
4. 4. 400 :请求的ur1在服务器上找不到。换句话说就是请求ur1错误。
5. 403:服务器拒绝访问，权限不够。
6. 500 :服务器内部错误。可能是服务器出现bug 了。

浏览器自带抓包工具