Python爬虫基础

1. Python爬虫前奏

  1.1 例子

1）伯乐在线。

2）惠惠购物助手

3）数据分析与研究（数据冰山知乎专栏）

4）抢票软件等  

1.2 定义

        爬虫是一个模拟人类请求网站行为的程序。可以自动请求网页、并数据抓取下来，然后使用一定的规则提取有价值的数据。

1.3 聚焦爬虫

是选择性、有针对的爬取数据。

1.4 http协议

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。服务器端口号是80端口。

HTTPS协议：是HTTP协议的加密版本，在HTTP下加入了SSL层。服务器端口号是443端口。

C/C++太底层，过于笨重

语法优美、代码简洁、开发效率高、支持的模块多。相关的HTTP请求模块和HTML解析模块非常丰富。还有Scrapy和Scrapy-redis框架让我们开发爬虫变得异常简单。

1.5 url详解
    URL（Uniform Resource Locator），统一资源定位符。 一个URL由以下几部分组成：

1 scheme://host:port/path/?query-string=xxx#anchor

scheme：代表的是访问的协议，一般为http或者https以及ftp等。

host：主机名，域名，比如www.baidu.com。

port：端口号。当你访问一个网站的时候，浏览器默认使用80端口。

path：查找路径。比如：www.jianshu.com/trending/now，后面的trending/now就是path。

query-string：查询字符串，比如：www.baidu.com/s?wd=python，后面的wd=python就是查询字符串。

anchor：锚点，后台一般不用管，前端用来做页面定位的。
       在浏览器中请求一个url，浏览器会对这个url进行一个编码。除英文字母，数字和部分符号外，其他的全部使用百分号+十六进制码值进行编码。

1.6 常用的请求方法
        在Http协议中，定义了八种请求方法。这里介绍两种常用的请求方法，分别是get请求和post请求。

get请求：一般情况下，只从服务器获取数据下来，并不会对服务器资源产生任何影响的时候会使用get请求。

post请求：向服务器发送数据（登录）、上传文件等，会对服务器资源产生影响的时候会使用post请求。 以上是在网站开发中常用的两种方法。并且一般情况下都会遵循使用的原则。但是有的网站和服务器为了做反爬虫机制，也经常会不按常理出牌，有可能一个应该使用get方法的请求就一定要改成post请求，这个要视情况而定。

1.7 请求头常见参数

       在http协议中，向服务器发送一个请求，数据分为三部分，第一个是把数据放在url中，第二个是把数据放在body中（在post请求中），第三个就是把数据放在head中。这里介绍在网络爬虫中经常会用到的一些请求头参数：

 User-Agent：浏览器名称。这个在网络爬虫中经常会被使用到。请求一个网页的时候，服务器通过这个参数就可以知道这个请求是由哪种浏览器发送的。如果我们是通过爬虫发送请求，那么我们的User-Agent就是Python，这对于那些有反爬虫机制的网站来说，可以轻易的判断你这个请求是爬虫。因此我们要经常设置这个值为一些浏览器的值，来伪装我们的爬虫。

Referer：表明当前这个请求是从哪个url过来的。这个一般也可以用来做反爬虫技术。如果不是从指定页面过来的，那么就不做相关的响应。

Cookie：http协议是无状态的。也就是同一个人发送了两次请求，服务器没有能力知道这两个请求是否来自同一个人。因此这时候就用cookie来做标识。一般如果想要做登录后才能访问的网站，那么就需要发送cookie信息了（来辨识是同一个人）。

1.8 常见响应状态码

200：请求正常，服务器正常的返回数据。

301：永久重定向。比如在访问www.jingdong.com的时候会重定向到www.jd.com。

302：临时重定向。比如在访问一个需要登录的页面的时候，而此时没有登录，那么就会重定向到登录页面。

400：请求的url在服务器上找不到。换句话说就是请求url错误。

403：服务器拒绝访问，权限不够。

500：服务器内部错误。可能是服务器出现bug了。