笔记——爬虫简介

爬虫简介：
前戏：
1.你是否在夜深人静的时候，想看一些会让你更睡不着的图片却苦于没有资源…
2.你是否在节假日出行高峰的时候，想快速抢购火车票成功…
3.你是否在网上购物的时候，想快速且精准的定位到口碑质量最好的商品…

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数据的过程。

爬虫的价值：
- 实际应用
- 就业

爬虫究竟是合法还是违法的？

• 在法律中是不被禁止
• 具有违法风险
• 善意爬虫 恶意爬虫

爬虫带来的风险可以体现在如下2方面：
- 爬虫干扰了被访问网站的正常运营
- 爬虫抓取了收到法律保护的特定类型的数据或信息

如何在使用编写爬虫的过程中避免进入局子的厄运呢？
- 时常的优化自己的程序，避免干扰被访问网站的正常运行
- 在使用，传播爬取到的数据时，审查抓取到的内容，如果发现了涉及到用户隐私
商业机密等敏感内容需要及时停止爬取或传播

爬虫在使用场景中的分类
- 通用爬虫：
抓取系统重要组成部分。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。抓取的是页面中特定的局部内容。
- 增量式爬虫：
检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者技术手段，防止爬虫程序进行网站数据的爬取。

反反爬策略
爬虫程序可以通过制定相关的策略或者技术手段，破解门户网站中具备的反爬机制，从而可以获取门户网站中相关的数据。

robots.txt协议：
君子协议。规定了网站中哪些数据可以被爬虫爬取哪些数据不可以被爬取。

http协议
- 概念：就是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
- User-Agent：请求载体的身份标识
- 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
- 对称秘钥加密
- 非对称秘钥加密
- 证书秘钥加密

实际操作：
爬取搜狗首页数据，以字符串的形式输出。

#!/usr/bin/env python 
# -*- coding:utf-8 -*-
#- 需求：爬取搜狗首页的页面数据
import requests
if __name__ == "__main__":
    #step_1:指定url
    url = 'https://www.sogou.com/'
    #step_2:发起请求
    #get方法会返回一个响应对象
    response = requests.get(url=url)
    #step_3:获取响应数据.text返回的是字符串形式的响应数据
    page_text = response.text
    print(page_text)
    #step_4:持久化存储
    with open('./sogou.html','w',encoding='utf-8') as fp:
        fp.write(page_text)
    print('爬取数据结束！！！')

遇到的问题：
输出为一大行，很长，通过Ctrl+alt+L解决，在视图里也可以选择自动换行。
问题，老师的爬取的界面再次打开可以抛弃搜狗的主页样式，但是我爬取的再次打开仍保留了基本样式。

requests模块
- urllib模块
- requests模块

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
- UA伪装
- 请求参数的处理
- 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

实战巩固
- 需求：爬取搜狗指定词条对应的搜索结果页面（简易网页采集器）
- UA检测
- UA伪装
- 需求：破解百度翻译
- post请求（携带了参数）
- 响应数据是一组json数据
- 需求：爬取豆瓣电影分类排行榜 https://movie.douban.com/ 中的电影详情数据

- 作业：爬取肯德基餐厅查询  http://www.kfc.com.cn/kfccda/index.aspx  中指定地点的餐厅数据