网络爬虫基本原理

目录

一.爬虫是什么

二.爬虫的基本流程

三.http与https协议的联系及区别

四.request与Response之间的关系

五.request请求以及常用请求方式

六.Respons响应

七.Robots规范与原则

八.总结

---

一.爬虫是什么

   互联网是什么？互联网是由一个个站点和网络设备组成的，通过浏览器访问站点，站点把HTML、JS、CSS代码返回给浏览器，这些代码经过浏览器解析、渲染，将丰富多彩的网页呈现我们眼前；

   爬虫指的是：通过程序代码模拟浏览器向网站发起请求，把站点（服务器）返回的HTML代码/JSON数据/二进制数据（图片、视频） 爬取到本地，进而通过解析代码分析并提取自己需要的数据；（若将爬虫比喻为蜘蛛，互联网将是一张蜘蛛网）

 爬虫作用：1.搜索引擎---百度，google,垂直领域搜索引擎；  2.推荐引擎--今日头条；

                   3.机器学习样本； 4.数据分析；等等。

Q1:为什么得到的源代码和浏览器中看到的不一样？何为javaScript渲染页面？
      原因：在浏览器中打开这个页面时，首先会加载这个HTML内容，接着浏览器会发现其中引入了一个app.js文件，然后便会接着去请求这个文件，获取到该文件后，便会执行其中的JavaScript代码，而JavaScript则会改变HTML中的节点，向其添加内容，最后得到完整的页面。                                    在用urllib或requests等库请求当前页面时，我们得到的只是这个HTML代码，它不会帮助我们去继续加载这个 JavaScript 文件，这样也就看不到浏览器中的内容了。
     方法：使用HTTP请求库得到的网页源代码可和浏览器中的页面源代码不太一样。可以分析后台Ajax接口，也可以使用Selenium,Splash这样的库来实现模拟JavaScript渲染。

二.爬虫的基本流程？

用户获取网络数据的方式：浏览器提交请求---->下载网页代码---->解析成页面；

爬虫获取网络数据的方式：模拟浏览器发送请求(获取网页代码)---->提取有用的数据----->存放于数据库或文件中；

 

1、发起请求

使用http库向目标站点发起请求，即发送一个Request(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Response(包含：html，json，图片，视频等);

3、解析内容

解析html数据：正则表达式（re模块）、第三方解析库(xpath,css,Beautifulsoup,pyquery等);

解析json数据：json模块；

解析二进制数据:以wb的方式写入文件；

4、保存数据

数据库（MySQL，Mongdb等）；

文件     (Excel等)；(利用pandas库将爬取的数据存储在Excel较为方便)

三.http与https协议的原理区别

URI:统一资源标识符；                                                                                                                 URL:统一资源定位符，且为URI的子集；（URI强调的是资源，而URL强调的是资源的位置）
URN:只命名资源不指定如何定位资源；

  关系：URI = URL+URN

网站的URL会分为三部分：通信协议、域名地址、资源名称;                                                          通信协议，简单来说就是浏览器和服务器之间沟通的语言。一般就是HTTP协议和HTTPS协议。HTTP协议是一种使用明文数据传输的网络协议,超文本传输协议。存在安全隐患。                HTTPS协议可理解为HTTP协议的升级，就是在HTTP的基础上增加了数据加密SSL层。在数据进行传输之前，对数据进行加密，然后再发送到服务器。

HTTP常用请求类型:

          OPTIONS: 返回服务器针对特定资源所支持的http请求方法。                                                            HEAD: 向服务器索要与get请求相一致的响应，只不过响应体将不会被返回。                              GET: 向特定资源发出请求。                                                                                                        PUT: 向指定资源位置上传其最新内容。                                                                                      POST: 向指定资源提交数据进行处理请求。                                                                                      DELETE: 请求服务器删除指定URI所标识的资源。                                                                            PATCH: 用来将局部修改应用于某一资源。

四.Request与Response之间的关系

     Request：即请求，用户将自己的信息通过浏览器发送给服务器。

     Response：即响应，服务器接收请求，分析用户发来的请求信息，然后返回数据。

注：普通获取网络数据的方式，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，需要提取其中的有用数据。

五.Request请求以及常用请求方式

请求包括：请求头，请求方法，请求体，请求网址；

1、请求方法：

Requests的Get和POST方法的区别：

   01.get请求中的参数包含在URL里面，数据可以在URL中看到，请求参数params，请求提交的数据最多只有1024字节；

   02.post请求的URL不包含这些数据通过表单形式传输，包含在请求体中。请求参数data，请求提交数据没有限制。

   03.Requests 是python的很实用的HTTP客户端库；

2、定位request请求中的参数URL(url全球统一资源定位符)

  注：网页的加载过程是：加载一个网页，通常都是先加载document文档。

3、请求头：用来说明服务器要使用的附加信息，一般有cookie,Referer,User-Agent。

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；

Accept:         请求报头域，用于指定客户端可以接受那些类型的信息。

cookies：cookie用来保存登录信息，标识服务器信息。

Host:用于指定请求资源的主机IP和端口号，其内容请求URL的原始服务器和网关位置。

Referer:标识这个请求是从那个页面发过来的，服务器可以将此信息做响应的处理，如来源统计，防盗链处理等。

Content-Type:提交数据的方式，叫互联网媒体类型或MIME类型，http协议消息中用来表示具体媒体协议类型。 详细：http://tool.oschina.net/commons请求体一般承载的内容是post请求中的表单数据，而对于GET请求，请求体则为空。

4.常用的请求方式

(1）添加请求头：(请求头以字典的形式生成，然后法送请求中以参数的形式传递并作用的请求中)

代码如下：

(2） 使用代理IP：使用IP的使用方法和请求头一致，设置proxies参数即可，代码如下：

（3）证书验证:通常设置关闭验证即可。在请求设置参数verify=False时就能关闭证书的验证，默认情况下是True。需要设置证书文件，可在verify值为证书路径；

import requests

url = "https://..."

#关闭证书验证

r = requests.get(url,verify=False)

print(r.status_code)

#开启证书验证

r = requests.get(url,verify=True)

#设置证书所在路径

r = requests.get(url,verify='路径')

（4）超时设置：

requests.get("https://...",timeout=0.01)

requests.post("https://...",timeout=0.01)

（5）使用cookies:只需设置参数Cookies即可；请求头注意携带；

六.Respons响应

     由服务端返回客户端，可分为三部分：

     响应状态码(Response Status Code)+响应头(Response Headers)+响应体(Response Body)

1、响应状态码

　　200：代表成功

　　301：代表跳转

　　404：文件不存在

　　403：无权限访问,服务器已理解请求，但拒绝执行;

　　502：服务器错误

注：通过F12快捷键检查Response响应元素(JSO数据,如网页html，图片,二进制数据等 )

2.响应头   包含了服务器对请求的应答信息，如Content-Type、Server、Set-Cookie等。

下面简要说明一些常用的头信息。

Date：标识响应产生的时间。

Last-Modified：指定资源的最后修改时间。

Content-Encoding：指定响应内容的编码。

Server：包含服务器的信息，比如名称、版本号等。

Content-Type：文档类型，指定返回的数据类型是什么，如text/html代表返回HTML文档，application/x-javascript则代表返回JavaScript文件，image/jpeg则代表返回图。

Set-Cookie：设置 Cookies。响应头中的 Set-Cookie 告诉浏览器需要将此内容放在 Cookies 中，下次请求携带 Cookies 请求。

Expires：指定响应的过期时间，可以使代理服务器或浏览器将加载的内容更新到缓存中。如果再次访问时，就可以直接从缓存中加载，降低服务器负载，缩短加载时间。

3.响应体   最重要的当属响应体的内容了。

响应的正文数据都在响应体中，比如请求网页时，它的响应体就是网页的HTML代码；请求一张图片时，它的响应体就是图片的二进制数据。我们做爬虫请求网页后，要解析的内容都在响应体中。

七.Robots规范与原则

Robots规范,Robots协议（也称为爬虫协议、机器人协议等）的全称是“网络爬虫排除标准”（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。Robots协议的本质是网站和搜索引擎爬虫的沟通方式，用来指导搜索引擎更好地抓取网站内容，而不是作为搜索引擎之间互相限制和不正当竞争的工具。

详情：robots协议_360百科

八.总结

1、总结爬虫流程：

 代码爬取--->Response解析--->数据存储

(1)将种子URL放入队列

(2)从队列中获取URL，抓取内容。

(3)解析抓取内容，将需要进一步抓取的URL放入工作队列，存储解析后的内容

2、爬虫所需工具：

 请求库：requests；
 解析库：正则，xpath，css，beautifulsoup，pyquery；
 存储库：文件，MySQL，Mongodb等；

3、爬虫框架介绍：

o抓取策略：

       n深度优先  n广度优先  nPageRan  kn大站优先策略

o如何去重：

        nHash表  nbloom过滤器

爬虫基础实例：