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,想快速且精确的定位道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
爬虫究竟是否合法
- 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两个方面
- 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
- 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,因此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。
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的信息
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
Sogou爬虫
if __name__ == "__main__":
一个python文件通常有两种使用方法,第一是作为脚本直接执行,第二是 import 到其他的 python 脚本中被调用(模块重用)执行。因此 if name == ‘main’: 的作用就是控制这两种情况执行代码的过程,在 if name == ‘main’: 下的代码只有在第一种情况下(即文件作为脚本直接执行)才会被执行,而 import 到其他脚本中是不会被执行的。举例说明如下:
导包
import requests
指定的url
url = "https://www.sogou.com/"
发起请求,get方法会返回一个响应对象
response = requests.get(url=url)
requests.get方法
字典,字典中键值对作为查询参数
1、res = requests.get(url,params=params,headers=headers)
2、特点:
- url为基准的url地址,不包含查询参数
- 该方法会自动对params字典编码,然后和url拼接
获取响应对象,text返回的是字符串形式的响应数据
page_text = response.text
print(page_text)
持久化存储
with open的使用方法:
1.用途:是python用来打开本地文件的,他会在使用完毕后,自动关闭文件,无需手动书写close()
2.用法:
with open (file = "你要打开的路径名(或保存内容的地址)",mode = "r/w/a",encoding = "utf-8") as f1:
data = f1.read/write()
print(data)
3.关于mde的三种模式:
r:只读 用read()
w:只写 用write() //会清除之前写的内容
a:追加内容 用write() //会在已经写的内容基础上增加新的内容
with open('./sogou.html', 'w', encoding='utf-8') as fp:
fp.write(page_text)
print('爬取成功')