爬虫小白应该如何学习爬虫

什么是Python3网络爬虫？

定义：

网络爬虫（Web Spider），又被称为网页蜘蛛，是一种按照一定的规则，自动地抓取网站信息的程序或者脚本。爬虫其实是通过编写程序，模拟浏览器上网，然后让其去互联网上抓取数据的过程。

爬虫的价值：

抓取互联网上的数据，为我所用，有了大量的数据，就如同有了一个数据银行一样，下一步就是如何将这些数据产品化、商业化。

爬虫是否合法

网络爬虫在法律中是不被禁止，但是具有违法风险，通常来说爬虫分为善意的爬虫和恶意的爬虫。爬虫带来的风险可以体现在如下两个方面：

• 爬虫干扰了被访问网站的正常运营
• 爬虫抓取了受法律保护的特定类的数据或信息

那么我们如何在使用编写爬虫的过程中避免进入局子的厄运呢？

• 时常优化自己的程序，避免干扰被访问网站的正常运行
• 在使用、传播爬取到的数据时，审查抓取到的内容，如果发现涉及到用户隐私或者商业机密等敏感内容，需要及时停止爬取或传播

爬虫在使用场景中的分类

• 通用爬虫抓取系统重要组成部分，抓取的是一整张页面数据
• 聚焦爬虫是建立在通用爬虫的基础之上，抓取页面中特定的局部内容
• 增量式爬虫检测网站中数据更新的情况，只会爬取网站中最新更新出来的数据

爬虫的矛与盾

反爬机制：门户网站，可以通过制定相应的策略或者技术手段，防止爬虫程序进行网站数据的爬取。反反爬策略：爬虫程序可以通过制定相关的策略或者技术手段，破解门户网站中具备的反爬机制，从而可以获取门户网站中相关的数据。

下面，我们来了解一下网络爬虫中一个重要的协议：robots.txt协议。robots.txt协议是一个君子协议，协议中规定了网站中哪些数据可以被爬取哪些数据不能被爬取。

http协议和https协议

http协议：就是服务器和客户端进行数据交互的一种形式。http协议中常用的请求头信息：

• User-Agent：请求载体的身份标识
• Connection：请求完毕后，是断开连接还是保持连接http协议中常用的响应头信息：
• Content-Type：服务器响应回客户端的数据类型https协议其实就是一种安全的http协议

2.网页审查元素

在爬虫内容之前，我们需要先学习一项写爬虫的必备技能：审查元素（如果已掌握，可跳过此部分内容）。

审查元素

在浏览器的地址栏输入URL地址，在网页处右键单击，找到检查。(不同浏览器的叫法不同，Chrome浏览器叫做检查，Firefox浏览器叫做查看元素，但是功能都是相同的)

 点击检查我们可以看到，右侧出现了一大推代码，这些代码就叫做HTML。什么是HTML？举个容易理解的例子：我们的基因决定了我们的原始容貌，服务器返回的HTML决定了网站的原始容貌。

为啥说是原始容貌呢？

 

说这么多，什么意思呢？浏览器就是作为客户端从服务器端获取信息，然后将信息解析，并展示给我们的。我们可以在本地修改HTML信息，为网页”整容”，但是我们修改的信息不会回传到服务器，服务器存储的HTML信息不会改变。刷新一下界面，页面还会回到原本的样子。这就跟人整容一样，我们能改变一些表面的东西，但是不能改变我们的基因。

简单实例

网络爬虫的第一步就是根据URL，获取网页的HTML信息。在Python3中，可以使用urllib.request和requests进行网页爬取。

• urllib库是python内置的，无需我们额外安装，只要安装了Python就可以使用这个库。
• requests库是第三方库，需要我们自己安装。

requests库强大好用，所以本文使用requests库获取网页的HTML信息。requests库的github地址：GitHub - psf/requests: A simple, yet elegant, HTTP library.

 安装request库

在cmd中，使用如下指令安装requests：

pip install requests

easy_install requests

requests库的基础方法如下：

 

requests库的开发者为我们提供了详细的中文教程，查询起来很方便。本文不会对其所有内容进行讲解，摘取其部分使用到的内容，进行实战说明。

首先，让我们看下requests.get()方法，它用于向服务器发起GET请求，不了解GET请求没有关系。我们可以这样理解：get的中文意思是得到、抓住，那这个requests.get()方法就是从服务器得到、抓住数据，也就是获取数据。让我们看一个例子(以 www.gitbook.cn为例)来加深理解：

import requests

if __name__ == '__main__':
    target = 'http://gitbook.cn/'
    req = requests.get(url=target)
    print(req.text)