爬虫基本知识

Nils~

已于 2024-04-21 21:55:29 修改

阅读量1.1k

点赞数 13

文章标签：爬虫

于 2024-04-21 10:00:00 首次发布

本文链接：https://blog.csdn.net/m0_53095312/article/details/138011524

版权

1. 爬虫的概念

网络爬虫（又被称为网页蜘蛛，网络机器人）就是模拟浏览器发送网络请求，接收请求响应，一种按照一定的规则，自动地抓取互联网信息的程序。

1.1 数据的来源

去第三方的公司购买数据
去免费的数据网站下载数据
通过爬虫爬取数据
人工收集数据

1.2 爬取到的数据用途

进行在网页或者是app上进行展示
进行数据分析或者是机器学习相关的项目

2. 爬虫的分类

根据被爬网站的数量的不同，我们把爬虫分为：

通用爬虫：通常指搜索引擎的爬虫（https://www.baidu.com）
聚焦爬虫：针对特定网站的爬虫

3. 爬虫的流程

3.1 获取到资源地址

爬虫第一步要做的工作就是获取数据的资源地址，有了准确的地址之后我们才能数据去进行发送请求

3.2 发送请求获取数据

第二步要做的工作就是获取网页，这里就是获取网页的源代码。

方式：

requests.get(url=url)

requests.post(url=url,params=params)

在post请求中多了请求参数，是否需要加headers,cookies需要根据网站的检测来定。

3.3 提取信息

第三步获取网页源代码后，接下来就是分析网页源代码，从中提取我们想要的数据。

方式：

1. 正则表达式 re模块：match search findall 方法

2. Xpath 或 Css ：如Beautiful Soup、pyquery、lxml库

3.4 保存数据

第四步提取信息后，进行持久化存储。

方式：

1. 文本格式：TXT ，JSON

2.数据库： MySQL ， MongoDB，Redis

4. 代码模块

# 首先导入requests模块
import requests
# 请求模块,获取相应
def get_data():
    pass

# 解析数据
def parse_data():
    pass

# 保存数据
def save_data():
    pass

5. HTTP请求的形式

请求，由客户端向服务端发出，可以分为 4 部分内容：请求方法（Request Method）、请求的网址（Request URL）、请求头（Request Headers）、请求体（Request Body）。

5.1 面板组成

5.2 请求方法

作用：让协议清楚的知道，客户端发送了一个什么类型的‘动作指令’

方法	描述
GET	请求页面，并返回页面内容
HEAD	类似于 GET 请求，只不过返回的响应中没有具体的内容，用于获取报头
POST	大多用于提交表单或上传文件，数据包含在请求体中
PUT	从客户端向服务器传送的数据取代指定文档中的内容
DELETE	请求服务器删除指定的页面
CONNECT	把服务器当作跳板，让服务器代替客户端访问其他网页
OPTIONS	允许客户端查看服务器的性能
TRACE	回显服务器收到的请求，主要用于测试或诊断

5.3 请求的网址

请求的网址，即统一资源定位符 URL，它可以唯一确定我们想请求的资源。

https://www.baidu.com/item/10056474?fr=aladdin

http://IP:port/资源路径/?wd=python#flg

协议：这代表网页使用的请求协议

域名部分：该URL的域名部分为“www.baidu.com”。一个URL中，也可以使用IP地址作为域名使用：202.108.22.5

端口部分：跟在域名后面的是端口，域名和端口之间使用“:”作为分隔符。端口不是一个URL必须的部分，如果省略端口部分。

资源部分：从域名后的最后一个“/”开始到“？”为止，是资源部分

查询参数：从“？”开始到“#”为止之间的部分为参数部分，又称搜索部分、查询部分

锚点:打开用户页面时滚动到该锚点位置

5.3 请求体

请求体一般承载的内容是 POST 请求中的表单数据，而对于 GET 请求，请求体则为空。

5.6 响应

响应，由服务端返回给客户端，可以分为三部分：响应状态码（Response Status Code）、响应头（Response Headers）和响应体（Response Body）。

5.6.1 响应状态码

状态码	说明	详情
100	继续	请求者应当继续提出请求。服务器已收到请求的一部分，正在等待其余部分
101	切换协议	请求者已要求服务器切换协议，服务器已确认并准备切换
200	成功	服务器已成功处理了请求
201	已创建	请求成功并且服务器创建了新的资源
202	已接受	服务器已接受请求，但尚未处理
203	非授权信息	服务器已成功处理了请求，但返回的信息可能来自另一个源
204	无内容	服务器成功处理了请求，但没有返回任何内容
205	重置内容	服务器成功处理了请求，内容被重置
206	部分内容	服务器成功处理了部分请求
300	多种选择	针对请求，服务器可执行多种操作
301	永久移动	请求的网页已永久移动到新位置，即永久重定向
302	临时移动	请求的网页暂时跳转到其他页面，即暂时重定向
303	查看其他位置	如果原来的请求是 POST，重定向目标文档应该通过 GET 提取
304	未修改	此次请求返回的网页未修改，继续使用上次的资源
305	使用代理	请求者应该使用代理访问该网页
307	临时重定向	请求的资源临时从其他位置响应
400	错误请求	服务器无法解析该请求
401	未授权	请求没有进行身份验证或验证未通过
403	禁止访问	服务器拒绝此请求
404	未找到	服务器找不到请求的网页
405	方法禁用	服务器禁用了请求中指定的方法
406	不接受	无法使用请求的内容响应请求的网页
407	需要代理授权	请求者需要使用代理授权
408	请求超时	服务器请求超时
409	冲突	服务器在完成请求时发生冲突
410	已删除	请求的资源已永久删除
411	需要有效长度	服务器不接受不含有效内容长度标头字段的请求
412	未满足前提条件	服务器未满足请求者在请求中设置的其中一个前提条件
413	请求实体过大	请求实体过大，超出服务器的处理能力
414	请求 URI 过长	请求网址过长，服务器无法处理
415	不支持类型	请求格式不被请求页面支持
416	请求范围不符	页面无法提供请求的范围
417	未满足期望值	服务器未满足期望请求标头字段的要求
500	服务器内部错误	服务器遇到错误，无法完成请求
501	未实现	服务器不具备完成请求的功能
502	错误网关	服务器作为网关或代理，从上游服务器收到无效响应
503	服务不可用	服务器目前无法使用
504	网关超时	服务器作为网关或代理，但是没有及时从上游服务器收到请求
505	HTTP 版本不支持	服务器不支持请求中所用的 HTTP 协议版本

5.6.2 响应头

响应头包含了服务器对请求的应答信息，如 Content-Type、Server、Set-Cookie 等

Date：标识响应产生的时间。
Last-Modified：指定资源的最后修改时间。
Content-Encoding：指定响应内容的编码。
Server：包含服务器的信息，比如名称、版本号等。
Content-Type：文档类型，指定返回的数据类型是什么，如 text/html 代表返回 HTML 文档，
application/x-javascript 则代表返回 JavaScript 文件，image/jpeg 则代表返回图片。
Set-Cookie：设置 Cookies。响应头中的 Set-Cookie 告诉浏览器需要将此内容放在 Cookies 中，下次请求携带 Cookies 请求。
Expires：指定响应的过期时间，可以使代理服务器或浏览器将加载的内容更新到缓存中。如果再次访问时，就可以直接从缓存中加载，降低服务器负载，缩短加载时间。