文章目录
1、爬虫概述
1.1、什么是爬虫
网络爬虫，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。
网络爬虫的英文即Web Spider，是一个很形象的名字。把互联网比喻成一个蜘蛛网，那么Spider就是在网上爬来爬去的蜘蛛。网络蜘蛛是通过网页的链接地址来寻找网页，从网站某一个页面（通常是首页）开始，读取网页的内容，找到在网页中的其它链接地址，然后通过这些链接地址寻找下一个网页，这样一直循环下去，直到把这个网站所有的网页都抓取完为止。如果把整个互联网当成一个网站，那么网络蜘蛛就可以用这个原理把互联网上所有的网页都抓取下来。
1.2、爬虫原理
那么网络爬虫是从哪抓取，又是按照怎么样的规则呢？
首先，我们需要了解URL。URL在日常网络中无处不在，如www.baidu.com, www.taobao.com，简单来说，网络地址就是URL。网络爬虫就是从URL进行爬取。即爬虫的内容就是具体地址下的内容，如淘宝下的销售信息。
那么，是如何通过URL进行爬取内容的呢？我们首先了解，按下URL地址后，会发生什么。
1.前端（我们看到的页面）向后端发送请求（request）。
2.后端处理请求，对网页进行渲染，返回渲染的页面(response)。
3.前端展示渲染后的页面。
而渲染的页面实际上是以html的格式返回回来。我们所需要抓取的内容，就是返回的html页面中的内容。
当我们按下f12,就能看到渲染后的html，下面的百度首页返回的html内容，
可以看到，在我们看到的页面的内容，无论是文本或者图片，在html中都有对应。网络爬虫就是从对应的页面（html）中获取我们所需要的数据。
概括下网络爬虫系统的工作流程
Web网络爬虫系统首先将种子URL放入下载队列，然后简单地从队首取出一个URL下载其对应的网页。得到网页的内容将其存储后，再经过解析网页中的链接信息可以得到一些新的URL，将这些URL加入下载队列。然后再取出一个URL，对其对应的网页进行下载，然后再解析，如此反复进行，直到遍历了整个网络或者满足某种条件后才会停止下来。
2、爬虫技术与框架
不同的语言都有自己的爬虫技术与框架，这里我们只介绍Python相关的。
2.1、request+BeautifulSoup
requset库能够帮助我们模拟请求，然后获取响应，我们就能够从响应的html中获取我们想要的数据了。
下面我们使用request库，向百度发送请求，然后获取对应的html。
import requests
rsp = requests.get('http://www.baidu.com/')
rsp.encoding = 'utf-8'
print(rsp.text)
返回的数据如下
<html>
<head>
<meta http-equiv=content-type content=text/html;charset=utf-8>
<meta http-equiv=X-UA-Compatible content=IE=Edge><meta content=always name=referrer>
<link rel=stylesheet type=text/css href=http://s1.bdstatic.com/r/www/cache/bdorz/baidu.min.css>
<title>百度一下，你就知道</title></head> <body link=#0000cc> <div id=wrapper> <div id=head>
<div class=head_wrapper>
<div class=s_form> <div class=s_form_wrapper>
<div id=lg>
<img hidefocus=true src=//www.baidu.com/img/bd_logo1.png width=270 height=129>
</div>
<form id=form name=f action=//www.baidu.com/s class=fm>
<input type=hidden name=bdorz_come value=1>
<input type=hidden name=ie value=utf-8>
<input type=hidden name=f value=8>
<input type=hidden name=rsv_bp value=1>
<input type=hidden name=rsv_idx value=1>
<input type=hidden name=tn value=baidu>
<span class="bg s_ipt_wr">
<input id=kw name=wd class=s_ipt value maxlength=255 autocomplete=off autofocus></span><span class="bg s_btn_wr">
<input type=submit id=su value=百度一下 class="bg s_btn">
</span>
</form>
</div>
</div>
<div id=u1>
<a href=http://news.baidu.com name=tj_trnews class=mnav>新闻</a>
<a href=http://www.hao123.com name=tj_trhao123 class=mnav>hao123</a>
<a href=http://map.baidu.com name=tj_trmap class=mnav>地图</a>
<a href=http://v.baidu.com name=tj_trvideo class=mnav>视频</a>
<a href=http://tieba.baidu.com name=tj_trtieba class=mnav>贴吧</a>
<noscript>
<a href=http://www.baidu.com/bdorz/login.gif?login&tpl=mn&u=http%3A%2F%2Fwww.baidu.com%2f%3fbdorz_come%3d1 name=tj_login class=lb>登录</a>
</noscript> <script>document.write('<a href="http://www.baidu.com/bdorz/login.gif?login&tpl=mn&u='+ encodeURIComponent(window.location.href+ (window.location.search === "" ? "?" : "&")+ "bdorz_come=1")+ '" name="tj_login" class="lb">登录</a>');</script> <a href=//www.baidu.com/more/ name=tj_briicon class=bri style="display: block;">更多产品</a>
</div>
</div>
</div>
<div id=ftCon>
<div id=ftConw>
<p id=lh>
<a href=http://home.baidu.com>关于百度</a>
<a href=http://ir.baidu.com>About Baidu</a>
</p> <p id=cp>©2017 Baidu <a href=http://www.baidu.com/duty/>使用百度前必读</a>
<a href=http://jianyi.baidu.com/ class=cp-feedback>意见反馈</a> 京ICP证030173号
<img src=//www.baidu.com/img/gs.gif> </p> </div> </div> </div>
</body>
</html>
通过rsp.text,我们以字符串的形式获取了html的内容，接下来，我们就能通过操作字符串，来获取对应的数据。比如说获取标题。
import requests
rsp = requests.get('http://www.baidu.com/')
rsp.encoding = 'utf-8'
text = rsp.text
start = text.index("<title>")
end = text.index("</title>")
title = text[start + 7 : end]
print(title)
百度一下，你就知道
这里我们截取了标签中的内容。从而获取到了标题的信息。
这是最简单的爬虫，我们爬取了百度首页的标题信息，但是实际中的html页面会复杂上百倍，如淘宝页面。我们想要从大量的html中获取有用的数据，让我们自己写代码来截取，是十分繁琐的。因此，我们需要利用封装好的库，快速获取我们想要的内容，BeautifulSoup框架就应运而生了。
Beautiful Soup提供一些简单的、python式的函数用来处理导航、搜索、修改分析树等功能。它是一个工具箱，通过解析文档为用户提供需要抓取的数据，因为简单，所以不需要多少代码就可以写出一个完整的应用程序。
如下，通过bs我们能够快速获取对应标签中的内容
import requests
from bs4 import BeautifulSoup
rsp = requests.get('http://www.baidu.com/')
rsp.encoding = 'utf-8'
soup = BeautifulSoup(rsp.text,'lxml')
print(soup.title)
结果如下
<title>百度一下，你就知道</title>
这样，我们就快速获取到了title标签和其内容。相关我们自己来处理，要方便很多。
2.2、scrapy
为什么使用scrapy?
1.更全面，更强大的功能。
scrapy不仅集成了数据抓取与处理的功能，另外还包含了监控，日志，自动化测试等功能。
2.异步抓取，更高的效率。
我们使用request爬取数据，都是同步进行的，这样效率是十分低下的，不能够利用现代多核CPU的功能。当然我们也能够自己编写多线程来进行抓取，但是多线程模型较为复杂，用之不当可能会出现死锁等情况，造成整个程序崩溃。
3.自动生成架构
通过scrapy的命令，能够自动生成的架构，将我们的代码模块化，分层，解耦，从而我们的代码更加优雅。
scrapy工作原理
1、Scrapy Engine(引擎): 引擎负责控制数据流在系统的所有组件中流动，并在相应动作发生时触发事件。
2、Scheduler(调度器): 调度器从引擎接受request并将他们入队，以便之后引擎请求他们时提供给引擎。
3、Downloader（下载器）： 下载器负责获取页面数据并提供给引擎，而后提供给spider。
4、Spider（爬虫）： Spider是Scrapy用户编写用于分析response并提取item(即获取到的item)或额外跟进的URL的类。 每个spider负责处理一个特定(或一些)网站。
5、Item Pipeline(管道)： Item Pipeline负责处理被spider提取出来的item。典型的处理有清理、 验证及持久化(例如存储到数据库中)。
6、Downloader Middlewares（下载中间件）： 下载器中间件是在引擎及下载器之间的特定钩子(specific hook)，处理Downloader传递给引擎的response。 其提供了一个简便的机制，通过插入自定义代码来扩展Scrapy功能。
7、Spider Middlewares（Spider中间件）： Spider中间件是在引擎及Spider之间的特定钩子(specific hook)，处理spider的输入(response)和输出(items及requests)。 其提供了一个简便的机制，通过插入自定义代码来扩展Scrapy功能。
scrapy的一个小例子
4、爬虫学习计划
python，html，http协议，正则表达式，scrapy。
Q&A
图片和视频如何获取？
大部分的图片和视频，可以从爬取的html中获取，获取下来为一个图片或者视频链接，然后我们通过发送http请求就能直接下载图片或者视频。
但是部分网站并不能直接看到图片或者视频地址，如百度百科，就需要通过一些特殊的手段进行爬取。
有哪些反爬虫技术？
1.登录时对用户名和密码进行加密。
2.登录时不仅只是用户名和密码。
3.对访问信息进行统计予以封锁。
4.User-Agent反爬和Referer反爬。
扫一扫
901
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
