爬虫的定义和分类

（一）数据的由来
数据如果想要发挥它的作用，必须要分析。
爬虫最重要的作用就是获取数据。
（二）、爬虫的定义
（1）定义：爬虫就是自动抓取互联网信息的脚本或者程序。
（2）爬虫可以解决的问题。
a、解决冷启动问题。
b、搜索引擎的根基：做搜索引擎少不了爬虫。
c、建立知识图谱，帮助建立机器学习知识图谱。【数据集】—>[训练集]+测试集

爬虫的分类:
爬虫可以分为通用爬虫和聚焦爬虫。
1、通用爬虫：就是将互联网上的数据整体爬取下来保存到本地的一个爬虫程序，是搜索引擎的重要组成部分。
（1）搜索引擎：就是运用特定的算法和策略，从互联网上获取页面信息，并将信息保存到本地为用户提供检索服务的系统。
（2）搜索引擎的工作步骤：
第一步：抓取网页
涉及到一个问题，如果获取页面的Url，使得搜索引擎涉及到所有的网页。—>搜索引擎的url获取途径都哪些？
a、新网站会主动提交。
b、在其他网站设置的外链也会加入到待爬取的url队列里面。
c、和dns服务商合作，如果有新网站成立，搜索引擎就会获取网址。
第二步：数据存储
第三步：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……)
除了HTML文件外，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、XLS、PPT、TXT 文件等。我们在搜索结果中也经常会看到这些文件类型。
第四步：提供检索服务，网站排名
（3）搜索引擎的局限性。
1.通用搜索引擎所返回的结果都是网页，而大多情况下，网页里90%的内容对用户来说都是无用的。
2.不同领域、不同背景的用户往往具有不同的检索目的和需求，搜索引擎无法提供针对具体某个用户的搜索结果。
3.万维网数据形式的丰富和网络技术的不断发展，图片、数据库、音频、视频多媒体等不同数据大量出现，通用搜索引擎对这些文件无能为力，不能很好地发现和获取。
4.通用搜索引擎大多提供基于关键字的检索，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。
2、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。

3、爬虫的准备工作。
（1）robots协议（重点）
定义：网络爬虫排除标准
作用：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。
将来写爬虫程序我们要规避robots协议即可。
（2）网站地图sitemap
sitemap 就是网站地图， 它通过可视化的形式， 展示网站的主要结构。
网上有很多sitemap生成网站：https://help.bj.cn/
（3）估算网站的大小
可以使用搜索引擎来做，比如在百度中使用site：www.zhihu.com
（四）http协议（重点）
1、http协议：HyperText Transfer Protocol，超文本传输协议
作用：是一种收发html的【规范】。
2、http端口号：80
https端口号:443
HTTPS (Hypertext Transfer Protocol over Secure Socket Layer)简单讲是http的安全版，在http下加入SSL层。
SSL(Secure Sockets Layer 安全套接层)主要用于Web的安全传输协议，在传输层对网络连接进行加密，保障在Internet上数据传输的安全。
数字签证。（也要去在复习复习）。
3、http协议的特点（重点）：
（1）应用层协议。（最顶层也是和用户交互的层。）
（2）无连接：http协议每次发送请求都是独立的。http 1.1以后有一个头：connection：keep_alive.
（3）无状态：http协议不记录状态，进而产生了两种记录http状态的技术：cookie和session。
4、url：统一资源定位符。
（1）url的作用：用来定位互联网上的【任意】资源的【位置】。
（2）url的组成：
https://www.baidu.com/s?wd=python&rsv_spt=1
https://www.baidu.com/index.html
协议：https/http
netloc（网络地址）：ip:port
ip主要用来定位电脑（网卡）。
port主要用来定位应用。mysql（3306），mongo（27017）----相当于一个门户。
path:资源在服务器的相对路径。—路由(router)
（3）url中的特殊符号。
？：get请求的参数在？后面
&：get请求的多个参数用&连接
#：锚点，定位到页面中任意位置。
（4）python中用来解析url的模块。
from urllib import parse
url = ‘https://ww.baidu.com:8888/index.html?username=222&password=123#abc’
result = parse.urlparse(url)
print(result)
‘’’
ParseResult(
scheme=‘https’,
netloc=‘ww.baidu.com:8888’,
path=’/index.html’,
params=’’,
query=‘username=222&password=123’,
fragment=‘abc’)
‘’’
print(result.scheme)
print(result.netloc)

5、http工作过程：（重点）
	（1）地址解析
	（2）封装HTTP请求数据包
	（3）封装成TCP包，建立TCP连接（TCP的三次握手）
	***（4）客户机发送请求命令***
	***（5）服务器响应***
	（6）服务器关闭TCP连接
6、客户端请求（重要）
	（1）组成：请求行、请求头部、空行、请求数据（实体）四个部分组成
			请求行：协议，url，请求方法
			请求头：主要的作用就是来限定这个请求的详细信息。（非常重要，必须要知道一些重要的请求头的含义。）
			请求数据：post请求的数据是放到这里面的。
	（2）重要请求头（针对于爬虫而言）
		user-agent：客户端标识
		cookie:请求的状态信息，很重要
		Referer：表示产生请求的网页来源于哪里。
			防盗链。
		accept：允许传入的文件类型。
			Accept: text/html,application/xhtml+xml,application/xml;q=0.9,image/webp,image/apng,*/*;q=0.8,application/signed-exchange;v=b3。
		x-requested-with:ajax请求必须要封装的头
		--------------------------
		content-type:post请求的数据类型
		content-length：post请求数据的长度
		
	（3）请求方法：get/post/put（推送）/delete（删除）/trace（诊断）/options（性能）/connect（连接，预留字段）。
		get方法：get获取--从服务器获取资源--条件（请求参数）---请求参数是拼接到url里面的？后面--不安全（容易被别人获取：用户名和密码）---大小受限。
		post方法：post传递--向服务器传递数据--请求数据是放在实体里面。----安全---大小不受限
		记忆知识，千万不要被--理解记忆。
7、服务器响应（重要）
	（1）组成： 
			状态行：状态码
			消息报头：
			空行
			响应正文
	
	（2）响应头
		Content-Type: text/html;charset=utf-8：响应的类型
	（3）状态码（状态码）（重要）
		100~199：表示服务器成功接收部分请求，要求客户端继续提交其余请求才能完成整个处理过程。
		200~299：表示服务器成功接收请求并已完成整个处理过程。常用200(OK 请求成功)。	300~399：为完成请求，客户需进一步细化请求。例如：请求的资源已经移动一个新地址、常用302(所请求的页面已经临时转移至新的url)、307和304(使用缓存资源)。
		400~499：客户端的请求有错误，常用404(服务器无法找到被请求的页面)、403(服 务器拒绝访问，权限不够---DDos)。
		500~599：服务器端出现错误，常用500(请求未完成。服务器遇到不可预知的情况)。
8、当我们在客户端输入一个url，客户端是如何请求加载出整个页面的？（重点）
	（1）客户端解析url，封装数据包，发送请求给服务器。
	（2）服务器从请求中解析出客户端想要内容，比如index.html,就把该页面封装成响应数据包，发送给客户端。
	（3）客户端检查该inde.html中是否有静态资源需要继续请求，比如js，css，图片，如果有继续请求获取静态资源。
	（4）客户端按照html的语法结合静态资源将页面完美的显示出来。

（一）requests模块简介
Urllib和requests模块是发起http请求最常见的模块。
安装：pip install reqeusts
（二）requests模块的get方法
1、response = requests.get(
url=请求url地址，
headers = 请求头字典，
params=请求参数字典，
)
2、response对象
（1）响应正文：
a、字符串格式的响应正文：response.text
b、字节类型(bytes)的响应正文：response.content
（2）响应正文的乱码问题解决：
response.content.decode(‘页面的正确编码’)