什么是爬虫
- 通过编写程序,模拟浏览器上网,然后让其去互联网上抓取公开数据的过程;
爬虫的价值
- 现在是数据的时代,谁掌握了数据也就掌握了未来,爬虫是快速获得海量数据的有效方法;
爬虫的合法性
- 爬虫在法律中是不被禁止的;
- 具有违法风险;
几种可能造成违法的情况
- 爬虫干扰了被访问网站的正常运营;
- 爬虫抓取了受到法律保护的特定类型的数据或信息;
- 窃取企业个人后台数据的是违法的;
如何避免
- 时常的优化自己的程序,避免干扰被访问网站的正常运行;
- 及时检查爬去的数据;
爬虫在使用场景中的分类
- 通用爬虫
抓取系统的主要组成部分。抓取的是一整张页面数据; - 聚焦爬虫
是建立在通用爬虫的基础之上的。抓取的页面中特定的局部内容; - 增量是爬虫
监测网站中数据更新的情况,只会抓取网站中最新更新出来的数据;
爬虫的矛与盾
反爬机制
门户网站,可以通过制定相应的策略或技术手段,防止爬虫程序进行网站数据的爬取;
反反爬策略
破解网站中的反爬机制,从而获取相关信息;
robots.txt协议
君子协议,规定了网页中哪些数据可以被爬虫爬取,哪些不可以被爬取;
如何查询一个网站的robots.txt协议,如下所示,查询淘宝网页中的robots.txt协议:
https://taobao.com/robots.txt
http协议和https协议
http协议
- 概念:解释服务器和客户端进行数据交互的一种形式;
- 常用请求头信息:
==Users-Agent:==请求载体的身份识别,包括pc的信息、使用浏览器的版本等等的信息;
==Connection:==请求完毕后是断开连接还是保持连接; - 常用响应头信息:
==Content-Type:==服务器响应回客户端的数据类型;
https协议
- 安全的超文本传输协议
- 加密方式:
对称密钥加密;
非对称密钥加密;
证书密钥加密;
requests模块
什么是requests模块
python中原生的一款基于网络请求的模块,功能非常强大,简单便捷,效率极高;
==作用:==模拟浏览器发请求;
如何使用(requests模块的编码流程)
- 指定url;
- 发起请求;
- 获取响应数据;
- 持久化存储;
环境安装
pip install requests
实战编码
- 需求:爬取搜狗首页的页面数据:
# 需求:爬取搜狗首页的页面数据
import requests
if __name__ == '__main__':
# step1:指定url(在WWW上,每一信息资源都有统一的且在网上唯一的地址,该地址就叫URL)
url = 'https://www.sogou.com'
# step2:发起请求
# get方法会返回一个响应对象
# get方法中的几个参数:
# :param url: URL for the new :class:`Request` object.
# :param params: (optional) Dictionary, list of tuples or bytes to send
# in the query string for the :class:`Request`.
# :param \*\*kwargs: Optional arguments that ``request`` takes.
# :return: :class:`Response <Response>` object
# :rtype: requests.Response
response = requests.get(url=url)
# step3:获取响应数据
page_text = response.text
# print(page_text)
# step4:持久化存储
with open('./sogou.html', 'w', encoding='utf-8') as fp:
fp.write(page_text)
print('爬取结束')
- 需求:爬取搜狗指定词条对应的搜索结果页面(简易页面采集器)
# 需求:爬取搜狗指定词条对应的搜索结果页面(简易页面采集器)
#
# UA检测:门户网站的服务器会监测对应请求的载体身份标识,如果检测到请求的载体身份标识为某一款浏览器
# 就说明这是一个正常的请求。但是如果检测到请求的载体身份标识不是基于某一款浏览器的,则表示
# 该请求为不正常的请求(爬虫),则服务器端就很有可能拒绝该次请求。
# 为了让我们的请求每次都能得到允许,需要进行UA伪装
# UA伪装(反反爬机制):让爬虫对应的请求载体身份标识伪装成某一款浏览器
# UA:User-Agent(请求载体的身份识别)
import requests
if __name__ == '__main__':
# step1:指定url
# url的格式为'https://www.xxxxx.com/wed?query=需要搜索的关键字'
# url = 'https://www.sogou.com/web?query=爬虫学习'
# UA伪装:将对应的User-Agent封装到一个字典中
headers = {
'User-Agent': 'Mozilla/5.0 (Macintosh; Intel Mac OS X 10_14_6) AppleWebKit/605.1.15 (KHTML, like Gecko) Version/12.1.2 Safari/605.1.15'}
url = 'https://www.sogou.com/web'
kw = input('输入一个关键字:')
# 处理url携带的参数:封装到字典中
param = {
'query': kw}
# step2:发起请求
# 对指定的url发起的请求对应的url是携带参数的,并且请求过程中处理了参数
response = requests.get(url=url, params=param, headers=headers)
# step3:获取响应数据
page_text = response.text
print(page_text)
# step4:持久化存储
filename = kw + '.html'
with open(filename