文章目录
根据使用场景,网络爬虫可分为 通用爬虫 和 聚焦爬虫 两种(这里主要介绍通用爬虫):
一、通用爬虫
通用网络爬虫是捜索引擎抓取系统(Baidu、Google、Yahoo等)的重要组成部分。主要目的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。
通用搜索引擎(Search Engine)工作原理:
通用网络爬虫 从互联网中搜集网页,采集信息,这些网页信息用于为搜索引擎建立索引从而提供支持,它决定着整个引擎系统的内容是否丰富,信息是否即时,因此其性能的优劣直接影响着搜索引擎的效果。
第一步:抓取网页
搜索引擎网络爬虫的基本工作流程如下:
1、首先选取一部分的种子URL,将这些URL放入待抓取URL队列;
2、取出待抓取URL,解析DNS得到主机的IP,并将URL对应的网页下载下来,存储进已下载网页库中,并且将这些URL放进已抓取URL队列。
3、分析已抓取URL队列中的URL,分析其中的其他URL,并且将URL放入待抓取URL队列,从而进入下一个循环…
搜索引擎如何获取一个新网站的URL:
1.新网站向搜索引擎主动提交网址:(如百度http://zhanzhang.baidu.com/linksubmit/url)
2. 在其他网站上设置新网站外链(尽可能处于搜索引擎爬虫爬取范围)
3. 搜索引擎和DNS解析服务商(如DNSPod等)合作,新网站域名将被迅速抓取
但是搜索引擎蜘蛛的爬行是被输入了一定的规则的,它需要遵从一些命令或文件的内容,如标注为nofollow
的链接,或者是Robots
协议。
Robots协议(也叫爬虫协议、机器人协议等),全称是“网络爬虫排除标
准”(Robots Exclusion Protocol),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,例如:
淘宝网:https://www.taobao.com/robots.txt
腾讯网: http://www.qq.com/robots.txt
第二步:数据存储
搜索引擎通过爬虫爬取到的网页,将数据存入原始页面数据库。其中的页面数据与用户浏览器得到的HTML是完全一样的。
搜索引擎蜘蛛在抓取页面时,也做一定的重复内容检测,一旦遇到访问权重很低的网站上有大量抄袭、采集或者复制的内容,很可能就不再爬行。
第三步:预处理
搜索引擎将爬虫抓取回来的页面,进行各种步骤的预处理。
·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……)
·索引处理
·链接关系计算
·特殊文件处理
…
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。
但搜索引擎还不能处理图片、视频、Flash 这类非文字内容,也不能执行脚本和程序。
第四步:提供检索服务,网站排名
搜索引擎在对信息进行组织和处理后,为用户提供关键字检索服务,将用户检索相关的信息展示给用户。
同时会根据页面的PageRank值(链接的访问量排名)来进行网站排名,这样Rank值高的网站在搜索结果中会排名较前,当然也可以直接使用 Money 购买搜索引擎网站排名,简单粗暴。
二、HTTP和HTTPS
HTTP协议(HyperText Transfer Protocol,超文本传输协议):是一种发布和接收 HTML页面的方法。
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。
HTTP
的端口号为80
HTTPS
的端口号为443
HTTP工作原理
网络爬虫抓取过程可以理解为模拟浏览器操作的过程
。
浏览器的主要功能是向服务器发出请求,在浏览器窗口中展示您选择的网络资源,HTTP是一套计算机通过网络进行通信的规则。
三、HTTP的请求与响应
HTTP通信由两部分组成: 客户端请求消息 与 服务器响应消息
浏览器发送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。
2、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(Uniform / Universal Resource Locator的缩写):统一资源定位符,是用于完整地描述Internet上网页和其他资源的地址的一种标识方法。
基本格式:scheme://host[:port#]/path/…/[?query-string][#anchor]
·scheme:协议(例如:http, https, ftp)
·host:服务器的IP地址或者域名
·port#:服务器的端口(如果是走协议默认端口,缺省端口80)
·path:访问资源的路径
·query-string:参数,发送给http服务器的数据
·anchor:锚(跳转到网页的指定锚点位置)
例如:
·ftp://192.168.0.116:8080/index
·http://www.baidu.com
·http://item.jd.com/11936238.html#product-detail
四、请求方法
五、python爬虫入门
1、Requests库
Requests是用python语言基于urllib编写的,采用的是Apache2 Licensed开源协议的HTTP库。与urllib相比,Requests更加方便,可以节约我们大量的工作,建议爬虫使用Requests库。
2、requests.get(url)
import requests
url = 'http://baidu.com'
response = requests.get(url)
print(response)
#:<Response [200]>
3、requests.post(url,data={请求体的字典})
url2 ='https://fanyi.baidu.com'
data = {'from':'zh',
'to':'en',
'query':'人生苦短,我用python'}
response2 = requests.post(url2,data=data)
print(response2)
#:<Response [200]>
4、其他属性
import requests
url = 'http://baidu.com'
response = requests.get(url)
print(response)
response.encoding = 'utf-8'
print(response.text)
print(type(response.headers),response.headers) #获取响应头
print(type(response.cookies),response.cookies)#获取响应cookie
print(type(response.url),response.url) #获取响应url
5、example
import requests
r = requests.get(url='http://www.itwhy.org') # 最基本的GET请求
print(r.status_code) # 获取返回状态
r = requests.get(url='http://dict.baidu.com/s', params={'wd':'python'}) #带参数的GET请求
print(r.url)
print(r.text) #打印解码后的返回数据
六、豆瓣书籍爬取
import requests
from lxml import etree
from fake_useragent import UserAgent
import time
import random
class DoubanBookSpider:
def __init__ (self):#指定目标 URL
self.url = 'https://book.douban.com/top250?start={}'
def get_html(self,url):#用于向指定 URL 发起 HTTP 请求,获取页面内容,调用 parse_html() 方法解析页面数据
#使用随机的User-Agent
headers ={'User-Agent':UserAgent().random}# fake_useragent 库生成了随机的 User-Agent以模拟不同的用户行为
html = requests.get(url=url,headers=headers).text#返回的响应中包含了页面的 HTML 内容,将其传递给 parse_html()
self.parse_html(html)
def parse_html(self,html):#使用 xpath 提取页面中的数据,并将其封装到一个字典对象中
#lxml+xpath进行数据解析,将HTML源码转化为一个XPath对象
parse_obj = etree.HTML(html)
#1.基准xpath:提取每本书的节点对象列表
table_list = parse_obj.xpath('//div[@class="indent"]/table')
# 提取其中的书名、描述、评分、评价人数、类别等信息,将其封装到一个字典对象中,并输出到控制台
for table in table_list:
item ={}
# 书名
#提取a标签的title属性,并去除首尾的空格
name_list = table.xpath('.//div[@class="pl2"]/a/@title')
item['name'] = name_list[0].strip() if name_list else None
# 描述
#提取p标签中的文本内容,并去除首尾空格
content_list = table.xpath('.//p[@class="pl"]/text()')
item['content']= content_list[0].strip() if content_list else None
# 评分
#提取span标签中的文本内容,并去除首尾空格
score_list = table.xpath('.//span[@class="rating_nums"]/text()')
item['score'] = score_list[0].strip() if score_list else None
# 评价人数
#提取span标签中的文本内容,并去除首尾空格,同时切片去掉开头的左括号'('和结尾的右括号')'
nums_list = table.xpath('.//span[@class="pl"]/text()')
item['nums'] = nums_list[0][1:-1].strip() if nums_list else None
# 类别
#提取span标签中的文本内容,并去除首尾空格
type_list = table.xpath('.//span[@class="inq"]/text()')
item['type'] = type_list[0].strip() if type_list else None
print(item)
def run(self):#实现爬虫的运行,即按页数循环遍历 Top250 的所有页面,通过调用 get_html() 方法抓取每页的数据,并将结果输出到控制台。
for i in range(5):
start = (i - 1) * 25#start变量用于计算当前页面的起始位置
page_url = self.url.format(start)#得到包含页码的URL
self.get_html(page_url)#以该URL作为参数,获取网页的HTML源码,并对其进行解析
time.sleep(random.randint(1, 2))#调用time模块的sleep()函数,随机等待1到2秒的时间
if __name__ == '__main__':
spider=DoubanBookSpider()
spider.run()
参考文章
(1)https://blog.csdn.net/weixin_38640052/article/details/116124192
(2)https://www.cnblogs.com/luchun666/p/9394149.html