什么是爬虫

这篇文章主要介绍什么是爬虫，文中介绍的非常详细，具有一定的参考价值，感兴趣的小伙伴们一定要看完！

成都网络公司-成都网站建设公司成都创新互联公司10余年经验成就非凡，专业从事成都网站制作、网站建设，成都网页设计，成都网页制作，软文发布平台，广告投放等。10余年来已成功提供全面的成都网站建设方案，打造行业特色的成都网站建设案例，建站热线：13518219792，我们期待您的来电！

如果学会了python的基本语法，我认为入门爬虫是很容易的。

1：什么是爬虫

爬虫(spider，又网络爬虫)，是指向网站/网络发起请求，获取资源后分析并提取有用数据的程序。

从技术层面来说就是 通过程序模拟浏览器请求站点的行为，把站点返回的HTML代码/JSON数据/二进制数据（图片、视频） 爬到本地，进而提取自己需要的数据，存放起来使用。

2： 爬虫的基本思路

通过URL或者文件获取网页，

分析要爬取的目标内容所在的位置

用元素选择器快速提取（Raw）目标内容

处理提取出来的目标内容 （ 通常整理合成一个 Json）

存储处理好的目标内容 （比如放到 MongoDB 之类的数据库，或者写进文件里。）

robots协议：

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，但它仅仅是道德层面上的约束。

爬虫的用途：

1、12306抢票

2、短信轰炸

3、网络投票

4、监控数据

5、下载图片、小说、视频、音乐等

Http和Https：

发送请求，获取响应的过程其实就是发送Http或者Https请求和响应的过程。

HTTP

超文本传输协议

默认端口号:80

HTTPS

HTTP + SSL(安全套接字层)，即带有安全套接字层的超本文传输协议。

默认端口号：443

作用：在传输过程中对数据进行加密，防止被窜改。

区别：http因不需要加密，所以性能更高，但安全性差。https安全性高，但是占用服务器资源。

但是Https是未来的主流，比如小程序、ios、android客户端的接口都需要Https接口支持。

Http请求报文：

常见请求头：

Http状态码

常见的 HTTP 状态码：

200 - 请求成功

301 - 资源（网页等）被永久转移到其它 URL

404 - 请求的资源（网页等）不存在

500 - 内部服务器错误

Chrome浏览器请求分析

分析流程图：

以上都是爬虫的预备知识，掌握了之后就可以写代码去爬取我们想要爬的网站了。Python提供了许多网络请求的库，比如Requests、urllib等，这里只说一下requests库。

Requests库

安装：

pip(3) install requests

基本使用：

# 导入模块
import requests
# 定义请求地址
url = 'http://www.baidu.com'
# 发送 GET 请求获取响应
response = requests.get(url)
# 获取响应的 html 内容
html = response.text

response常用属性：

response.text 返回响应内容，响应内容为 str 类型

respones.content 返回响应内容,响应内容为 bytes 类型

response.status_code 返回响应状态码

response.request.headers 返回请求头

response.headers 返回响应头

response.cookies 返回响应的 RequestsCookieJar 对象

# 获取字节数据
content = response.content
# 转换成字符串类型
html = content.decode('utf-8')

自定义请求头

# 导入模块
import requests
# 定义请求地址
url = 'http://www.baidu.com'
# 定义自定义请求头
headers = {
"User-Agent":"Mozilla/5.0 (Macintosh; Intel Mac OS X 10_14_0) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/71.0.
3578.98 Safari/537.36"
}
# 发送自定义请求头
response = requests.get(url,headers=headers)
# 获取响应的 html 内容
html = response.text

发送Get请求

# 导入模块
import requests
# 定义请求地址
url = 'http://www.baidu.com/s'
# 定义自定义请求头
headers = {
"User-Agent":"Mozilla/5.0 (Macintosh; Intel Mac OS X 10_14_0) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/71.0.
3578.98 Safari/537.36"
}
# 定义 GET 请求参数
params = {
"kw":"hello"
}
# 使用 GET 请求参数发送请求
response = requests.get(url,headers=headers,params=params)
# 获取响应的 html 内容
html = response.text

发送POST请求

# 导入模块
import requests
# 定义请求地址
url = 'http://www.baidu.com'
# 定义自定义请求头
headers = {
"User-Agent":"Mozilla/5.0 (Macintosh; Intel Mac OS X 10_14_0) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/71.0.
3578.98 Safari/537.36"
}
# 定义post请求参数
data = {
"kw":"hello"
}
# 使用 POST 请求参数发送请求
response = requests.post(url,headers=headers,data=data)
# 获取响应的 html 内容
html = response.text

使用代理

为什么使用代理：1、让服务器以为请求是从多个客户端发出的。2、防止暴露我们的真实地址。

使用方法

# 导入模块
import requests
# 定义请求地址
url = 'http://www.baidu.com'
# 定义自定义请求头
headers = {
"User-Agent":"Mozilla/5.0 (Macintosh; Intel Mac OS X 10_14_0) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/71.0.
3578.98 Safari/537.36"
}
# 定义 代理服务器
proxies = {
"http":"http://IP地址:端口号",
"https":"https://IP地址:端口号"
}
# 使用 POST 请求参数发送请求
response = requests.get(url,headers=headers,proxies=proxies)
# 获取响应的 html 内容
html = response.text

请求中携带cookie

作用：有些网站需要登录，这时候cookie就是记录了你的用户信息。

方式：

直接在自定义请求头中携带

通过请求参数携带cookie

# 导入模块
import requests
# 定义请求地址
url = 'http://www.baidu.com'
# 定义自定义请求头
headers = {
"User-Agent":"Mozilla/5.0 (Macintosh; Intel Mac OS X 10_14_0) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/71.0.
3578.98 Safari/537.36"
# 方式一：直接在请求头中携带Cookie内容
"Cookie": "Cookie值"
}
# 方式二：定义 cookies 值
cookies = {
"xx":"yy"
}
# 使用 POST 请求参数发送请求
response = requests.get(url,headers=headers,cookies=cookies)
# 获取响应的 html 内容
html = response.text

数据提取

作用：从爬虫获取的数据中提取出我们想要的数据。

方式：

json模块提取

xpath提取

正则提取

beautifulsoup

json

JSON(JavaScript Object Notation) 是一种轻量级的数据交换格式

json.loads json字符串 转 Python数据类型

json.dumps Python数据类型 转 json字符串

json.load json文件 转 Python数据类型

json.dump Python数据类型 转 json文件

ensure_ascii=False 实现让中文写入的时候保持为中文

indent=空格数 通过空格的数量进行缩紧

xpath

XPath 全称： XML Path Language，是一门在 XML 文档中查找信息的语言。XPath 可用来在 XML 文档中对元素和属性进行遍历。

安装：

pip(3) install lxml

常用规则

正则

Python中通过正则表达对字符串进行匹配是，可以使用re模块。

# 导入re模块
import re
# 使用match方法进行匹配操作
result = re.match(正则表达式,要匹配的字符串)
# 如果上一步匹配到数据的话，可以使用group方法来提取数据
result.group()

常见语法

以上是什么是爬虫的所有内容，感谢各位的阅读！希望分享的内容对大家有帮助，更多相关知识，欢迎关注创新互联行业资讯频道！