爬虫概念、基本使用及一个类型和六个方法（一）

Billie使劲学

于 2023-12-04 17:48:32 发布

阅读量3.7k

点赞数 36

分类专栏： Spider 文章标签：爬虫 python

本文链接：https://blog.csdn.net/m0_45447650/article/details/134268324

版权

Spider 专栏收录该内容

15 篇文章 3 订阅

订阅专栏

一、爬虫简介

1.什么是爬虫

如果我们把互联网比作一个巨大的网，那一台计算机上的数据就是蜘蛛网上的一个猎物，而爬虫程序就是一只小蜘蛛，沿着蜘蛛网抓取自己想要的数据。

解释1：通过一个程序进行爬取网页，获取有用信息

解释2：使用程序模拟浏览器，去向服务器发送请求，获取响应信息。

2.爬虫的核心

爬取网页：爬取整个网页，包含了网页中所有的内容

解析数据：将网页中你得到的数据进行解析

难点：爬虫与反爬虫之间的博弈

3.爬虫的用途

数据分析/人工数据集

社交软件冷启动

舆情监控

竞争对手监控

4.爬虫的分类

通用爬虫：

实例：百度、360、Google等搜索引擎

功能：访问网页，抓取数据，数据存储，数据处理，提供检索服务

Robots协议：一个约定俗称的协议，添加robots.txt文件，来说明本网站哪些内容不可以被抓取，起不到限制作用，自己写的爬虫无需遵守。

网站排名：

以前：根据pagerank算法值进行排名（参考网站流量，点击率等指标）

现在：百度竞价排名

缺点：抓取的数据大多是无用的；不能根据用户的需求精准的获取数据。

聚焦爬虫:

功能：根据需求，实现爬虫程序，抓取需要的数据

设计思路：确定要爬取的url；模拟浏览器通过http协议访问url，获取服务器返回的html代码；解析html字符串（根据一定的规则提取数据）

5.反爬手段

1.user_agent：中文名Wie用户代理，简称UA，他是一个特殊字符串头，是的服务器能够市北客户使用的操作系统及版本，CPU类型，浏览器及版本，浏览器渲染引擎，浏览器语言，浏览器插件等。

2.代理IP：（超出人类访问限制就会封IP）

西次代理
快代理
什么是高匿名，匿名和透明代理？他们有什么区别？

（1）使用透明代理，对方服务器可以知道你使用了代理，并且也知道你的真实IP。

（2）使用匿名代理，对方服务器可以知道你使用了代理，但不知道你的真实IP。

（3）使用高匿名代理，对方服务器不知道你使用了代理，也不知道你的真实IP。

3.验证码访问

打码平台：云打码平台

4.动态加载网页：网站返回的是js数据，并不是网页真实数据；selenium驱动真实的浏览器发送请求。

5.数据加密

分析js代码

二、Urllib基本使用

目标：使用urllib获取百度网站首页的源码

urllib不需要安装，python自带，可直接使用

1.导入我们需要的包

# 使用urllib获取百度首页的源码
import urllib.request

2.定义一个url

# 1.定义一个url（你要访问的网页地址）
url = "http://www.baidu.com"

3.模拟浏览器向服务器发送请求

注意发送请求时要确保你的电脑是联网，不然就会报错

使用 urllib.request.urlopen() 方法发送请求

# 2.模拟浏览器向服务器发送请求（联网）
response = urllib.request.urlopen(url)

4.获取响应中的页面的源码

使用 read() 方法读取数据

这里注意要将获取的数据进行解码 decode()，否则无法解析网页中的中文。

# 3.获取响应中的页面的源码
# read()方法 返回的是字节形式的二进制数据
# 将二进数数据转换为字符串
# 二进制-->字符串  这个动作叫做解码 decode("编码的格式")
# 网页的编码格式可以看网页源码中 head --> meta --> content 里的charset中有写明
content = response.read().decode('utf-8')

5.打印数据

# 4.打印数据
# 打印结果：b'<!DOCTYPE html><!--STATUS OK--><html><head><meta。。。
print(content)

完整代码：

# 使用urllib获取百度首页的源码
import urllib.request

# 1.定义一个url（你要访问的网页地址）
url = "http://www.baidu.com"

# 2.模拟浏览器向服务器发送请求（联网）
response = urllib.request.urlopen(url)

# 3.获取响应中的页面的源码
# read()方法 返回的是字节形式的二进制数据
# 将二进数数据转换为字符串
# 二进制-->字符串  这个动作叫做解码 decode("编码的格式")
# 网页的编码格式可以看网页源码中 head --> meta --> content 里的charset中有写明
content = response.read().decode('utf-8')


# 4.打印数据
# 打印结果：b'<!DOCTYPE html><!--STATUS OK--><html><head><meta。。。
print(content)

三、一个类型和六个方法

1.定义url，并向服务器发送请求

# 1.定义一个url（你要访问的网页地址）
url = "http://www.baidu.com"

# 2.模拟浏览器向服务器发送请求（联网）
response = urllib.request.urlopen(url)

2.一个类型

服务器返回的响应是HTML格式

# 3.获取响应中的页面的源码
print(type(response))   # <class 'http.client.HTTPResponse'>

3.六个方法

注意：以下读取的content都需要加 decode()进行解码，否则无法解析网页中的中文。

（1）read() 方法

# 按照一个字节一个字节的去读整个网页的字节
content = response.read()

# 读五个字节
content = response.read(5)

（2）读取一行

# 读取一行
content = response.readline()

（3）一行一行的读，读所有字节

# 一行一行的读，读取所有字节
content = response.readlines()
print(content)

（4）返回状态码

# 返回状态码 如果是200，则表示请求成功
print(response.getcode())

（5）返回url地址

# 返回 URL 地址
print(response.geturl())

（6）返回状态信息

# 获取的是一些状态信息
print(response.getheaders())

完整代码：

import urllib.request


# 1.定义一个url（你要访问的网页地址）
url = "http://www.baidu.com"


# 2.模拟浏览器向服务器发送请求（联网）
response = urllib.request.urlopen(url)


# 3.获取响应中的页面的源码（获取到的都是二进制的，后面需要再decode()）
# 一个类型和六个方法：HTTPResponse  read, readline, readlines, getcode, geturl, getheaders
# print(type(response))   # <class 'http.client.HTTPResponse'>

# 按照一个字节一个字节的去读整个网页的字节
# content = response.read()

# 读五个字节
# content = response.read(5)

# 读取一行
# content = response.readline()

# 一行一行的读，读取所有字节
# content = response.readlines()
# print(content)

# 返回状态码 如果是200，则表示请求成功
print(response.getcode())

# 返回 URL 地址
print(response.geturl())

# 获取的是一些状态信息
print(response.getheaders())