pythonCrawler 13day01

python crawler

接触到Python语言，感受到了它的实用性与强大，最近对Python crawler就是爬虫起了兴趣，乌拉卡卡卡卡是新手小白一枚，各方面收集了资料开始研究，如有纰漏错误请多见谅。所有练习源码在：https://github.com/xiaoazhao/pythonCrawler

爬虫是什么：网络爬虫也叫网络蜘蛛，如果把互联网比喻成一个蜘蛛网，那么蜘蛛就是在网上爬来爬去的蜘蛛，爬虫程序通过请求url地址，根据响应的内容进行解析采集数据， 比如：如果响应内容是html，分析dom结构，进行dom解析、或者正则匹配，如果响应内容是xml/json数据，就可以转数据对象，然后对数据进行解析。
爬虫的定义： 向网站发起请求，获取资源后分析并提取有用数据的程序
爬虫的作用： 通过有效的爬虫手段批量采集数据，可以降低人工成本，提高有效数据量，给予运营/销售的数据支撑，加快产品发展。

反爬虫：爬虫很难完全的制止，道高一尺魔高一丈，这是一场没有硝烟的战争，码农VS码农

爬虫基本流程

发送请求—获取响应内容—解析内容—保存数据

1、发起请求使用http库向目标站点发起请求，即发送一个RequestRequest包含：请求头、请求体等

2、获取响应内容如果服务器能正常响应，则会得到一个ResponseResponse包含：html，json，图片，视频等

3、解析内容解析html数据：正则匹配，通过的正则表达式来匹配想要爬取的数据，如：有些数据不是在html 标签里，而是在html的script 标签的js变量中，第三方解析库如Beautifulsoup，pyquery等解析json数据：json模块解析二进制数据:以b的方式写入文件
4、保存数据数据库文件

三请求与响应

客户端—》服务器 request

服务器—》客户端 response

http协议：http://www.cnblogs.com/linhaifeng/articles/8243379.html#Request：用户将自己的信息通过浏览器（socket client）发送给服务器（socket server）#Response：服务器接收请求，分析用户发来的请求信息，然后返回数据（返回的数据中可能包含其他链接，如：图片，js，css等）ps：浏览器在接收Response后，会解析其内容来显示给用户，而爬虫程序在模拟浏览器发送请求然后接收Response后，是要提取其中的有用数据。

四request

1、请求方式： 常用的请求方式：GET，POST 其他请求方式：HEAD，PUT，DELETE，OPTHONS ps：用浏览器演示get与post的区别，（用登录演示post） post与get请求最终都会拼接成这种形式：k1=xxx&k2=yyy&k3=zzz post请求的参数放在请求体内： 可用浏览器查看，存放于form data内 get请求的参数直接放在url后#2、请求url url全称统一资源定位符，如一个网页文档，一张图片 一个视频等都可以用url唯一来确定 url编码 https://www.baidu.com/s?wd=图片 图片会被编码（看示例代码） 网页的加载过程是： 加载一个网页，通常都是先加载document文档， 在解析document文档的时候，遇到链接，则针对超链接发起下载图片的请求#3、请求头 User-agent：请求头中如果没有user-agent客户端配置， 服务端可能将你当做一个非法用户 host cookies：cookie用来保存登录信息 一般做爬虫都会加上请求头#4、请求体 如果是get方式，请求体没有内容 如果是post方式，请求体是format data ps： 1、登录窗口，文件上传等，信息都会被附加到请求体内 2、登录，输入错误的用户名密码，然后提交，就可以看到post，正确登录后页面通常会跳转，无法捕捉到post

五response

1、响应状态 200：代表成功 301：代表跳转 404：文件不存在 403：权限 502：服务器错误
2、Respone header set-cookie：可能有多个，是来告诉浏览器，把ookie保存下来
3、preview就是网页源代码 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

六总结

1、总结爬虫流程： 爬取—>解析—>存储
2、爬虫所需工具： 请求库：requests,selenium 解析库：正则，beautifulsoup，pyquery 存储库：文件，MySQL，Mongodb，Redis
3、爬虫常用框架： scrapy
第一天就都是文字性的理解与资料整理，以后我们就要开始上手操作。
4、python写爬虫的优势：python语法易学，容易上手、社区活跃，实现方案多可参考、各种功能包丰富、少量代码即可完成强大功能、涉及模块包、请求urllib和requests、多线程threading、正则re、json解析json、html dom解析beautiful soup和lxml和xpath、操作浏览器、selenium
Day01 Over 加油照哥

代码全部在照哥的GIT