什么是爬虫
请求网站并提取数据的自动化程序
(写程序模拟浏览器向服务器发送请求来获取网页资源)
爬虫的基本流程
发起请求
通过HTTP库向目标站点发起请求,即发送一个Request,请求可以包含额外的headers等信息,等待服务器响应
获取响应内容
如果服务器正常响应,会得到一个Response,Response的内容就是所要获取的页面内容,类型可能有HTML,Json字符串,二进制数据(如图片视频)
解析内容
得到的内容可能是HTML,可以用正则表达式、网页解析库进行解析。可能是Json,可以直接转为Json对象解析,可能是二进制数据,可以做保存或者进一步的处理。
保存数据
保存形式多样,可以存为文本,也可以保存至数据库,或者保存特定格式的文件。
Request与Response
(1)浏览器就发送消息给该网址所在的服务器,这个过程叫做HTTP Request。
(2)服务器收到浏览器发送的消息后,能根据浏览器发送消息的内容,做相应处理,然后把消息回传给浏览器。这个过程叫做HTTP Response。
(3)浏览器收到服务器的Response信息后,会对信息进行相应处理,然后展示。
Requset
请求方式
主要有GET和POST两种类型,另外还有HEAD、PUT、DELETE、OPTIONS等。
- GET请求中的参数包含在URL里面,数据可以在URL中看到,而POST请求的URL不会包含这些数据,数据需要构建一个表单,通过表单形式传输,包含在请求体中。
- GET请求提交的数据最多只有1024字节,POST没有限制
请求URL
URL全称统一资源定位符,如一个网页文档、一张图片、一个视频都可以用URL唯一来确定。
请求头
包含请求时的头部信息,如User-Agent、Host、Cookies等信息。
请求体
请求时额外携带的数据,如表单提交时的表单数据。
在爬虫中如果要构造POST请求,需要使用正确的Content-Type,并了解各种请求库的各个参数设置时使用的是哪种Content-Type,不然可能会导致POST提交后无法正常响应。
Response
响应状态
响应状态码表示服务器的响应状态,如200代表成功,301跳转、404找不到页面、502服务器错误
响应头
包含了服务器对请求的应答信息,如内容类型、内容长度、服务器信息、设置Cookie等待。
响应体
最主要的部分,包含了请求资源的内容,如网页HTML、图片二进制数据等。
能抓怎样的数据
网页文本、图片、视频、其他
合法的能抓取的
解析方式
- 直接处理,比如字符串
- Json解析,ajax加载的
- 正则表达式,文本提取
- BeautifulSoup,解析库
- PyQuery,解析库
- Xpath,解析库
Javascript渲染页面
网页源代码实际和浏览器中看到的不一样:网页越来越多地用Ajax、前端模块化工具来构建,整个网页可能都是由JavaScript渲染出来的。
如何解决JavaScript渲染的问题?
- 分析Ajax请求
- Selenium/WebDriver
- Splash
怎样保存数据
- 纯文本
- 关系型数据库
- 非关系型数据库
Urllib库
python内置的HTTP请求库
- urllib.request 请求模块,用来模拟发送请求
- urllib.error 异常处理模块
- urllib.parse url解析模块
- urllib.robotparser robots.txt解析模块
发送请求
urlopen()
最基本请求的发起
urlib.request.urlopen(url, data=None,[timeout,]*, cafile=None, capath=None, cadefault=False, context=None)
参数dataurlencode()
和bytes()
方法转成字节流
Request()
urllib.request.Request(url,data=None,headers={},origin_req_host=None,unverifiable=False,method=None)
Handler
处理器;利用Handler来构建Opener;
Opener可以使用open方法,返回的类型和urlopen如出一辙。
Cookie
用来维持登陆状态的
处理异常
urllib的error模块定义了由request模块产生的异常。如果出现了问题,request模块会抛出error模块中定义的异常。
URLError
URLError类来自urllib库的error模块,继承自OSError类,是error异常模块的基类,由request模块产生的异常都可以通过捕获这个类来处理。
它具有一个熟悉reason,即返回错误的原因。
HTTPError
URLError的子类,专门用于处理HTTP错误;
code:返回HTTP状态码
reason:返回错误原因
headers:返回请求头
解析链接
urlparse
可以实现URL的识别和分段。
from urllib.parse import urlparse
result = urlparse('https://dblp.uni-trier.de/db/conf/emnlp/')
print(type(result),result)
##输出
#<class 'urllib.parse.ParseResult'> ParseResult(scheme='https', netloc='dblp.uni-trier.de', path='/db/conf/emnlp/', params='', query='', fragment='')
scheme:协议类型
netloc:域名
path:访问路径
params:参数
query:查询条件,一般作用于GET类型的URL
fragment:锚点,用于直接定位页面内部的下拉位置
urlunparse
接受的参数是一个可迭代对象,但是它的长度必须是6,否则会抛出参数数量不足或过多的问题。
urlsplit
这个方法和urlparse相似,只不过它不再单独解析params这一部分,只返回5个结果,params会合并到path中
urlunsplit
完成链接的合并,长度必须为5
urljoin
提供一个基础链接base_url作为第一个参数,将新的链接作为第二个参数,该方法会分析base_url的scheme、netloc和path这三个内容对新链接缺失的部分进行补充,最后返回结果。
urlencode
字体对象转换为GET请求参数
分析Robots协议
解析robots.txt
网络爬虫排除标准
受限于编写水平和目的,网络爬虫将会为web服务器带来巨大的资源开销。