文章目录
一、通用爬虫和聚焦爬虫
根据使用场景,网络爬虫可分为:通用爬虫 和 聚焦爬虫两种
1、通用爬虫
- 通用网络爬虫是捜索引擎抓取系统(Baidu、Google、Yahoo等)的重要组成部分。
- 主要目的是将互联网上的网页下载到本地,形成一个互联网内容的镜像备份。
- 通用网络爬虫 从互联网中搜集网页,采集信息,这些网页信息用于为搜索引擎建立索引从而提供支持,它决定着 整个引擎系统的内容是否丰富,信息是否即时,因此其性能的优劣直接影响着搜索引擎的效果。
通用爬虫基本工作流程
搜索引擎如何获取一个新网站的URL:
- 新网站向搜索引擎主动提交网址:
- 在其他网站上设置新网站外链
- 和DNS解析服务商(如DNSPod等)合作,新网站域名将被迅速抓取
搜索引擎蜘蛛的爬行是被输入了一定的规则的,它需要遵从一些命令或文件的内容。
- rel=“nofollow”,,告诉搜索引擎爬虫无需抓取目标页,同时告诉搜索引擎无需将的当前页的Pagerank传递到目标页.
- Robots协议(也叫爬虫协议、机器人协议等),全称是“网络爬虫排除准”(Robots Exclusion Protocol),网站通过Robots协议告诉搜索引擎哪些页面可以抓取,哪些页面不能抓取。
通用爬虫的局限性
- 大多情况下,网页里90%的内容对用户来说都是无用的。
- 搜索引擎无法提供针对具体某个用户的搜索结果。
- 图片、数据库、音频、视频多媒体等不能很好地发现和获取。
- 基于关键字的检索,难以支持根据语义信息提出的查询,无法准确理解用户的具体需求。
2.聚焦爬虫
聚焦爬虫,是 “面向特定主题需求” 的一种网络爬虫程序,它与通用搜索引擎爬虫的区别在于:聚焦爬虫在实施网页抓取时会对内容进行处理筛选,尽量保证只抓取与需求相关的网页信息。
这里重点要学习的就是聚焦爬虫。
二、HTTP和HTTPS
HTTP协议-80端口:
HyperTextTransferProtocol, 超文本传输协议是一种发布和接收HTML页面的方法。
HTTPS-443端口:
HypertextTransferProtocoloverSecureSocketLayer, 简单讲是HTTP的安全版,在HTTP下加入SSL 层。
HTTP工作原理
网络爬虫抓取过程可以理解为模拟浏览器操作的过程。
浏览器发送HTTP请求的过程:
(1)当用户在浏览器地址栏中输入一个URL并按回车键后,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,比如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Images文件,CSS文件,JS文件。浏览器会自动再次发送Request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,完整的显示出来了。
这里要重点理解,当用户输入一个URL后,发生了什么:
简单的说:
一、浏览器获取资源的过程:
1、输入url
2、浏览器解析url,获得主机名
3、将主机名转换成服务器ip地址(查找本地DNS缓存列表,如果没有则向默认的DNS服务器发送查询请求)
4、浏览器建立一条与服务器的TCP连接(三次握手)
5、浏览器向服务器发送http请求
6、服务器向浏览器返回请求响应
7、浏览器关闭连接,并解析文档
8、如果文档中有资源,则重复6/7/8
二、浏览器渲染页面的过程:
1、html生成dom tree
2、css生成 style rules
3、dom 树与style rules 结合生成render tree
4、布局:计算每个节点的信息
5、绘制:根据计算的信息,渲染页面
来自:https://www.cnblogs.com/annie211/p/10737766.html
详细过程参考:https://www.cnblogs.com/Jayyu/p/11633587.html
URL(Uniform/UniversalResourceLocator的缩写):统一资源定位符,是用于完整地描述Internet上网页和其他资源的地址的一种标识方法。
基本格式: scheme://host[:port#]/path/…/[?query-string][#anchor]
query-string:参数,发送给http服务器的数据
anchor:锚(跳转到网页的指定锚点位置)
三、客户端HTTP请求
客户端发送一个HTTP请求到服务器的请求消息,包括以下格式:
请求方法
根据HTTP标准,HTTP请求可以使用多种请求方法.
HTTP0.9:只有基本的文本GET功能。
HTTP1.0:完善的请求/响应模型,并将协议补充完整,定义了三种请求方法:GET,POST和HEAD方法。
HTTP1.1:在1.0基础上进行更新,新增了五种请求方法:OPTIONS,PUT,DELETE,TRACE和CONNECT方法。
重点理解GET和POST方法:
- GET是从服务器上获取数据,POST是向服务器传送数据
- GET请求参数显示,都显示在浏览器网址上,即“Get”请求的参数是URL的一部分。
- POST请求参数在请求体当中,消息长度没有限制而且以隐式的方式进行发送,通常用来向HTTP服务器提交量比较大的数据(比如请求中包含许多参数或者文件上传操作等),请求的参数包含在“Content-Type”消息头里,指明该消息体的媒体类型和编码,
常用的请求报头
请求报头 | 含义 |
---|---|
Host | 主机和端口号 |
Connection | 客户端与服务连接类型, 默认为keep-alive |
User-Agent | 客户浏览器的名称 |
Accept | 浏览器或其他客户端可以接受的MIME文件类型 |
Referer | 表明产生请求的网页来自于哪个URL |
Accept-Encoding | 指出浏览器可以接受的编码方式。 |
Accept-Language | 语言种类 |
Accept-Charset | 字符编码 |
Cookie | 浏览器用这个属性向服务器发送Cookie |
Content-Type | POST请求里用来表示的内容类型 |
四、HTTP响应
HTTP响应由四个部分组成,分别是: 状态行 、 消息报头 、 空行 、 响应正文
响应状态码
200: 请求成功
302: 请求页面临时转移至新url
307和304: 使用缓存资源
404: 服务器无法找到请求页面
403: 服务器拒绝访问,权限不够
500: 服务器遇到不可预知的情况
Cookie和Session
服务器和客户端的交互仅限于请求/响应过程,结束之后便断开,在下一次请求时,服务器会认为新的客户端。为了维护他们之间的链接,让服务器知道这是前一个用户发送的请求,必须在一个地方保存客户端的信息。
Cookie:通过在客户端记录的信息确定用户的身份。
Session:通过在服务器端记录的信息确定用户的身份。
五、简单案例:图片下载器
制作爬虫的基本步骤
- 需求分析: http://image.baidu.com/search/index?tn=baiduimage&word=cat
- 分析网页源代码,配合F12
- 编写正则表达式或者其他解析器代码
- 存储数据到本地
- 正式编写python爬虫代码
需求分析:想要某个网站的图片,不用自己去搜索,还能自动下载
网页分析:
import os
import re
from colorama import Fore # 打印时加字体颜色
import requests
def download_image(url, keyword):
"""下载图片"""
# 1. 向服务器(百度)发起HTTP请求
response = requests.get(url) # 返回一个响应
# 2. 获取服务器端的响应信息
# print(response) # 200 成功
# print(dir(response)) # 有哪些方法
# print(response.text)
data = response.text
# 3. 编写正则表达式,获取图片的网址
# 从源代码里找 找图片的网址 ,不是单纯的html,要看源代码
# . 除了\n之外的任意字符 * 前一个字符出现0次或者无数次 ? 非贪婪模式
# {"ObjURL":"http:\/\/img1.imgtn.bdimg.com\/it\/u=2384096151,2805439088&fm=214&gp=0.jpg
pattern = r'"ObjURL":"(.*?)"' # ()分组
#这里面的 \ 是转义字符 将 \\ 替换为''
# 转义字符 : \n, \t, \ , \\
# 4. 根据正则表达式寻找符合条件的图片网址
image_urls = re.findall(pattern, data)[:3] # re: 正则表达式
# print(image_urls[:3])
# 5. 下载猫的图片到本地,存到本地文件
index = 1
for image_url in image_urls:
# response.text 返回unicode 的文本信息
# response.text 返回bytes 类型的信息
image_url = image_url.replace('\\','')
try:
response = requests.get(image_url)
# print(image_url)
# http://img3.imgtn.bdimg.com/it/u=2072494435,853546208&fm=26&gp=0.jpg
except Exception as e :
print(Fore.RED + '下载失败: %s' %(image_url))
else:
# 有的图片后缀名时 .png 其他格式 不是.jpg
old_image_filename = image_url.split('/')[-1] # 按/分割,取最后一个,也就是图片名称
if old_image_filename: # 如果存在
image_format = old_image_filename.split('.')[-1] # 按.分割,取最后一个,也就是图片格式
if '?' in image_format:
image_format = image_format.split('?')[0]
else:
image_format = 'jpg'
#生成图片的存储目录
keyword = keyword.replace(' ', '_')
if not os.path.exists(keyword):
os.makedirs(keyword)
# image_filename = os.path.join('download_images', str(index) + '.' + image_format)
image_filename = os.path.join(keyword, str(index) + '.' + image_format)
with open(image_filename, 'wb') as f:
f.write(response.content)
print(Fore.BLUE + '保存图片%s.jpg成功' % (index))
index += 1
if __name__ == '__main__':
keyword = input('请输入批量下载图片的关键字:')
url ='http://image.baidu.com/search/index?tn=baiduimage&ps=1&ct=201326592&lm=-1&cl=2&nc=1&ie=utf-8&word='+keyword
print(Fore.RED + '[+]正在请求网址:%s' %(url))
download_image(url,keyword)
运行结果: