网络爬虫
概述
网络爬虫(Web Spider)又称网络蜘蛛、网络机器人,是一种按照一定的规则,自动地抓取万维网信息的程序或者脚本。
网络爬虫按照系统结构和实现技术,大致可分为一下几种类型:
Ø 通用网络爬虫:就是尽可能大的网络覆盖率,如 搜索引擎(百度、雅虎和谷歌等…)。
Ø 聚焦网络爬虫:有目标性,选择性地访问万维网来爬取信息。
Ø 增量式网络爬虫:只爬取新产生的或者已经更新的页面信息。特点:耗费少,难度大
Ø 深层网络爬虫:通过提交一些关键字才能获取的Web页面,如登录或注册后访问的页面。
注:实际工作中通常是几种爬虫技术结合实现。
应用场景
爬虫技术在科学研究、Web安全、产品研发、舆情监控等领域可以做很多事情。
在数据挖掘、机器学习、图像处理等科学研究领域,如果没有数据,则可以通过爬虫从网上抓取;
在Web安全方面,使用爬虫可以对网站是否存在某一漏洞进行批量验证、利用;
在产品研发方面,可以采集各个商城物品价格,为用户提供市场最低价;
在舆情监控方面,可以抓取、分析新浪微博的数据,从而识别出某用户是否为水军
学习爬虫前的技术准备
(1). Python基础语言: 基础语法、运算符、数据类型、流程控制、函数、对象 模块、文件操作、多线程、网络编程 … 等
(2). W3C标准: HTML、CSS、JavaScript、Xpath、JSON
(3). HTTP标准: HTTP的请求过程、请求方式、状态码含义,头部信息以及Cookie状态管理
(4). 数据库: SQLite、MySQL、MongoDB、Redis …
附加:IP代理池、请求header头转换,反爬技术,了解即可
关于爬虫的合法性
几乎每个网站都有一个名为robots.txt的文档,当然也有有些网站没有设定。对于没有设定robots.txt的网站可以通过网络爬虫获取没有口令加密的数据,也就是该网站所有页面的数据都可以爬取。如果网站有文件robots.txt文档,就要判断是否有禁止访客获取数据 如:https://www.taobao.com/robots.txt
Request库
Requests 库是一个非常容易上手的 python 爬虫库,相比于 “系统自带”的urllib 库, requests 库非常简洁。
Requests 库中有很多方法,但所有的方法在底层都是通过调用request方法来实现的。
Get请求
import requests
url = 'http://baidu.com'
response = requests.get(url)
print(response)
打印出来的结果是:<Response [200]>。<>表示这是一个对象,也就是我们这里获取的是一个response的对象,200表示状态码。
Post请求
post请求核心代码是requests.post(url,data={请求体的字典}),具体例子(百度翻译)如下:
import requests
url = 'https://fanyi.baidu.com'
data = {'from': 'zh',
'to': 'en',
'query': '人生苦短,我用python'
}
response = requests.post(url, data=data)
print(response)
data部分的参数,取自于页面NetWork→Headers→Form Data。打印出来的结果是:<Response [200]>。
response方法
获取网页的解码字符串
通过上述例子我们可以看到,不管是get请求还是post请求,我们得到的返回都是一个Response[200]的对象,但是我们想要得到的,应该是与网页response下一样的字符串对象,这时就需要用到response的方法了。
response.text。获取网页的HTML字符串,该方式往往会出现乱码,出现乱码使用response.encoding='utf-8'
import requests
url = 'http://baidu.com'
response = requests.get(url)
response.encoding = 'utf-8'
print(response.text)
response.content.decode()。把相应的二进制字节流转化为str类型。
import requests
url = 'http://baidu.com'
response = requests.get(url)
print(response.content.decode('gbk'))。
在这里我总结了一下三种获取网页源码的三种方式,通过这三种方式,一定可以获取到网页正确解码之后的字符串:
response.content.decode()
response.content.decode('gbk')
response.text
其他属性
import requests
response = requests.get("http://www.baidu.com")
print(type(response.requests.headers),response.requests.headers) #获取请求头
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
print(type(response.requests.url),response.requests.url) #获取请求url