爬虫基础

二、爬虫

（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。

jquery是什么？

document.gete

选择器可以快速写代码。---使得js编程更加简单。

建议：大家找本书去读一读。因为做网页和爬虫js都非常重要。

（3）爬虫工程师的进阶之路

初级爬虫工程师

1.web 前端的知识： HTML、CSS、JavaSc1ipt、 DOM、 DHTML 、Ajax、jQuery、json 等；

2、正则表达式， 能提取正常一般网页中想要的信息，比如某些特殊的文字， 链接信息， 知道什么是懒惰， 什么是贪婪型的正则；

3、会使用 XPath 等获取一些DOM 结构中的节点信息；

4、知道什么是深度优先， 广度优先的抓取算法， 及实践中的使用规则；

5、能分析简单网站的结构， 会使用urllib或requests 库进行简单的数据抓取。

中级爬虫工程师：

1、了解什么事HASH，会简单地使用MD5，SHA1等算法对数据进行HASH一遍存储

2、熟悉HTTP，HTTPS协议的基础知识，了解GET，POST方法，了解HTTP头中的信息，包括返回状态码，编码，user-agent，cookie，session等。

3、能设置user-agent进行数据爬取，设置代理等。

4、知道什么事Request，什么事response，会使用Fiddler等工具抓取及分析简单地网络数据包；对于动态爬虫，要学会分析ajax请求，模拟制造post数据包请求，抓取客户端session等信息，对于一些简单的网站，能够通过模拟数据包进行自动登录。

5、对于一些难搞定的网站学会使用phantomjs+selenium抓取一些动态网页信息

6、并发下载，通过并行下载加速数据爬取；多线程的使用。

高级爬虫工程师：

1、能够使用Tesseract，百度AI，HOG+SVM，CNN等库进行验证码识别。

2、能使用数据挖掘技术，分类算法等避免死链。

3、会使用常用的数据库进行数据存储，查询。比如mongoDB，redis；学习如何通过缓存避免重复下载的问题。

4、能使用一些开源框架scrapy，scrapy-redis等分布式爬虫，能部署掌控分布式爬虫进行大规模数据爬取。

（三）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

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

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。

3、http协议的特点：

（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：

（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

（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

（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）

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？

（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。

三、requests模块

（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')