爬虫study

爬虫前奏

爬虫的实际例子
1、搜索引擎（百度、谷歌、360搜索）
2、伯乐在线
3、惠惠购物助手
4、数据分析与研究（数据冰山知乎专栏）
5、抢票软件

1、什么是网络爬虫：

1.通俗理解：怕长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。
2.专业介绍：

2、通用爬虫和聚焦爬虫：

1.通用爬虫：通用爬虫是搜索引擎抓取系统（百度、谷歌、搜歌等）的重要组成部分。主要是将互联网上的网页下载到本地，形成一个互联网额内容的镜像备份。
2.聚焦爬虫：是面向特定需求的一种网络爬虫程序，他与通用爬虫的区别在与：聚焦爬虫在实施网页抓取的时候会对内容进行刷选和处理，尽量保证只提取与需求相关的网页信息。

3、为什么用python写爬虫程序：

1.PHP：PHP是世界上最好的语言，但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。爬虫是工具性能程序，对速度和效率要求比较高。
2.Java：生态圈很完善，是python爬虫最大的竞争对手，但是java语言本身很笨重，代码量很大。重构成本比较高，任何修改会导致代码大量改动，爬虫经常需要修改采集代码。
3.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要大半天的时间。
4.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。

4、HTTP协议和Chrome抓包工具

4.1 什么是http和HTTPS协议：
4.1.1HTTP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端口。
4.1.2HTTPS协议：是HTTP协议的加密版本，在http下加入了SSL（Secure Sockets Layer安全套接层）层。服务器端口号是443端口。
4.2 在浏览器中发送一个http请求的过程：
1、当用户在浏览器的地址栏找那个输入一个URL并按回车键之后，浏览器会向HTTP服务器发送HTTP请求。HTTP请求主要分为”GET”和“POST”两种方法。
2、当我们在浏览器输入URL http://www.baidu.com的时候，浏览器发送一个request请求去获取http://www.baidu.com 的html文件，服务器把response文件对象发送回给浏览器。
3、浏览器分析response中的HTML，发现其中引用了很多其他文件，比如image文件，CSS文件，JS文件。浏览器会自动再次发送response去获取图片，CSS文件或者JS文件。
4、当所有的文件都下载成功后，网页会根据HTML语法结构，完整的显示出来。

5、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：查找字符串，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。

6、常用的请求方法：

在http协议中，定义了八种请求方式。这里介绍两种常用的请求方法，分别是get请求和post请求。
1、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。
2、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、OPTIONS
返回服务器针对特定资源所支持的HTTP请求方法，也可以利用向web服务器发送‘*’的请求来测试服务器的功能性
2、HEAD
向服务器索与GET请求相一致的响应，只不过响应体将不会被返回。这一方法可以再不必传输整个响应内容的情况下，就可以获取包含在响应小消息头中的元信息。
3、GET
向特定的资源发出请求。注意：GET方法不应当被用于产生“副作用”的操作中，例如在Web Application中，其中一个原因是GET可能会被网络蜘蛛等随意访问。Loadrunner中对应get请求函数：web_link和web_url
4、POST
向指定资源提交数据进行处理请求（例如提交表单或者上传文件）。数据被包含在请求体中。POST请求可能会导致新的资源的建立和/或已有资源的修改。 Loadrunner中对应POST请求函数：web_submit_data,web_submit_form
5、PUT
向指定资源位置上传其最新内容
6、DELETE
请求服务器删除Request-URL所标识的资源
7、TRACE
回显服务器收到的请求，主要用于测试或诊断
8、CONNECT
HTTP/1.1协议中预留给能够将连接改为管道方式的代理服务器。
注意：
1）方法名称是区分大小写的，当某个请求所针对的资源不支持对应的请求方法的时候，服务器应当返回状态码405（Mothod Not Allowed）；当服务器不认识或者不支持对应的请求方法时，应返回状态码501（Not Implemented）。
2）HTTP服务器至少应该实现GET和HEAD/POST方法，其他方法都是可选的，此外除上述方法，特定的HTTP服务器支持扩展自定义的方法。

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（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参数：
1、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，服务器通过和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。
2、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，那么就不做相应的响应。
3、cookie：http协议是无状态的。也就是同一个人发送了两个请求，服务器没有能力知道这两个请求是否来自同一个人。因此这个时候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。

8、常见响应状态码：

1、200：请求正常，服务器正常的返回数据
2、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。
3、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。
4、400：请求的URL在服务器上找不到。换句话说就是请求URL错误。
5、403：服务器拒绝访问，权限不够。
6、500：服务器内部错误。可能是服务器出现bug了。
9、Chrome抓包工具：

urllib库

1、urllib库是python是一个最基本的网络请求库。可以模拟浏览器的行为，向指定的服务器发送一个请求，并可以保持服务器返回的数据。
2、urlopen函数
在python3的urllib库中，所有和网络请求相关的方法，都被集到urllib.request模块下面了。