一 、爬虫介绍
1、什么是爬虫
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,并把数据爬取下来,然后使用一定的规则提取有价值的数据。
2、爬虫的应用场景
- 搜索引擎(百度或者谷歌)
- 伯乐在线
- 惠惠购物助手
- 数据分析
- 抢票软件
3、为什么使用python写爬虫程序
- PHP:PHP是世界上最好的语言,但是他天生不是做这个的,而且对多线程、异步支持不是很好,并发处理能力弱。爬虫是工具性程序,对速度和效率的要求比较高。
- Java:生态圈完善,是Python爬虫最大的竞争对手,但是Java语言本身很笨重,代码量大,重构成本较高,任何修改都会导致代码大量改动。爬虫经常要修改采集代码。
- C/C++:运行效率是无敌的,但是学习和开发成本高,写个小爬虫程序可能需要大半天时间。
- Python: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。
二 、爬虫开发工具
1、Python 安装
Python官网:https://www.python.org/
2、Pycharm 安装
python基础中有详细介绍:链接
3、Chrome 安装
谷歌官网:https://www.google.cn/intl/zh-CN/chrome/
三、Http协议介绍
1、Http协议
- Http协议:全称是HyperText Transfer Protocol,中文意思是超文本传输协议,是一种发布和接收HTML页面的方法,服务器端口号是80。
- 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。
2、URL详解
URL是Uniform Resource Locator的简写,统一资源定位符。一个URL由以下几部分组成:
scheme://host : port/path/?query - string = xxx#anchor
- scheme:代表的是访问协议,一般为http、https、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rending/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,前端用来做页面定位,现在一些前后端分离项目,也用锚点来做导航。
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。
3、常见的请求Method
在HTTP协议中,定义了八种请求方法。
- 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。
以上两种是网站开发中常用的两种请求方法,并且一般情况下都会遵循使用原则,但是有的网站和服务器为了做反爬虫机制,也检测不按常理出牌,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。
4、常见的请求头参数
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),第三个是把数据放在head中。
- 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,如果我们通过爬虫发送请求,那么我们的User-Agent就是python,这对于那些反爬虫机制的网络来说,可以轻易的判读你这个请求是爬虫。因此我们要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,一般如果想要登录之后才能访问网站,那么就需要发送cookie信息了。
5、常见的请求状态码
- 200:请求正常,服务器正常返回数据。
- 301:永久重定向。比如:访问www.jingdong.com会重定向到www.jd.com
- 302:临时重定向。比如访问一个需要登录的页面的时候,但此时没有登录,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。
四、Chrome抓包工具简介
1 、Elements
获取网页的HTML语言代码,可以帮助我们分析网页结构,获取想要的数据,但是Elements下是最终呈现的网页数据,有时候网页数据是通过ajax请求得到的,因此Elements下的数据不能完全相信。
2、Console
前端开发的控制台,可以打印js编程信息,用来打印网页的一些信息。
3、Sources
可以看到整个网页加载的所有文件
4、Network
查看整个网页发送的所有网络请求,一般我们想要去查看某个请求信息,都可以到network里面去查看。
五、小结及联系
1、知识点
- 什么是网络爬虫
- 爬虫有哪些应用领域
- HTTP协议知识(请求头、响应状态码、请求method等
- )Chrome抓包工具
- 学习爬虫需要的相关软件安装
2、练习题
网站:https://www.guazi.com/www/buy/
1.走的是什么协议?
答:https协议
2.User-Agent是什么?
答:Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/87.0.4280.88 Safari/537.36
3.点击下一页走的是什么method?
答:get请求