简单介绍一下爬虫与HTML

显示全部楼层 · 发表于转帖 2022-4-20 13:22:51

一. 爬虫是什么？
爬虫，从本质上来说，就是利用程序在网上拿到对我们有价值的数据。
1.1 浏览器工作原理
浏览器工作原理总的来说，可以用下面这张图来表示给大家看：

解析数据：当服务器把数据响应给浏览器之后，浏览器并不会直接把数据丢给我们。因为这些数据是用计算机的语言写的，浏览器还要把这些数据翻译成我们能看得懂的内容；
提取数据：我们就可以在拿到的数据中，挑选出对我们有用的数据；
存储数据：将挑选出来的有⽤数据保存在某一文件/数据库中。
1.2 爬虫工作原理
爬虫工作原理也可如下图所示给大家表现出来：

获取数据：爬⾍程序会根据我们提供的⽹址，向服务器发起请求，然后返回数据；
解析数据：爬⾍程序会把服务器返回的数据解析成我们能读懂的格式；
提取数据：爬⾍程序再从中提取出我们需要的数据；
储存数据：爬⾍程序把这些有用的数据保存起来，便于你日后的使用和分析。
二. Python爬虫的优势
PHP: 虽然是世界上最好的语言,但是天生不是干爬虫的命,php对多线程,异步支持不足,并发不足,爬虫是工具性程序,对速度和效率要求较高;
Java: 生态圈完善,是PYthon最大的对手,但是java本身很笨重,代码量大,重构成本比较高,任何修改都会导致大量的代码的变动.最要命的是爬虫需要经常修改部分代码;
C/C++: 运行效率和性能几乎最强,但是学习成本非常高,代码成型较慢,能用C/C++写爬虫, 说明能力很强,但不是最正确的选择;
Python: 语法优美,代码简洁,开发效率高,三方模块多,调用其他接口也方便, 有强大的爬虫Scrapy,以及成熟高效的scrapy‐redis分布策略
三. 体验爬虫
3.1 requests.get()
1）安装requests 库：
Mac电脑⾥打开终端软件（terminal），输⼊ pip3 install requests ，然后点击 enter；
Windows电脑⾥叫命令提示符（cmd），输⼊ pip install requests 。
2）requests 库作用：
requests 库可以帮我们下载网页源代码、⽂本、图⽚，甚⾄是⾳频。其实，“下载”本质上是向服务器发送请求并得到响应。
3）requests 库使用：
res = requests.get('URL')
requests.get 是在调用requests库中的get()方法，它向服务器发送了⼀个请求，括号里的参数是你需要的数据所在的⽹址，然后服务器对请求作出了响应。我们把这个响应返回的结果赋值在变量res上，如下图所示：

3.2 Response对象的常用属性
Response对象的常用属性有以下几种：

1）response.status_code ：
作用：打印 response 的响应状态码，以检查请求是否成功。
常见的响应状态码如下：

2）response.content：
作用：把 Response 对象的内容以⼆进制数据的形式返回，适⽤于图片、音频、视频的下载。
3）response.text ：
作用：把 Response 对象的内容以字符串的形式返回，适⽤于⽂字、网页源代码的下载。
4）response.encoding：
能帮我们定义 Response 对象的编码。（附：只有遇上文本的乱码问题，才考虑用res.encoding）
3.3 汇总图解

四. 爬虫伦理
4.1 Robots 协议
Robots 协议是互联网爬⾍的⼀项公认的道德规范，它的全称是“网络爬⾍排除标准”（Robots exclusion protocol），这个协议用来告诉爬⾍，哪些页面是可以抓取的，哪些不可以。
4.2 协议查看
      在网站的域名后加上/robots.txt就可以了。如淘宝的robots协议（ http://www.taobao.com/robots.txt）；
      协议里最常出现的英文是Allow和Disallow，Allow代表可以被访问，Disallow代表禁止被访问。
五. Python爬虫需要掌握什么
      Python基础语法
      HTML基础
      如何抓取页面: HTTP请求处理,urllib处理后的请求可以模拟浏览器发送请求,获取服务器响应文件解析服务器响应的内容；
      各种库：re,xpath,BeautifulSoup4,jsonpath,pyquery ：目的是使用某种描述性语法来提取匹配规则的数据；
      如何采取动态html,验证码处理：通用的动态页面采集, Selenium+PhantomJs(无界面浏览器),模拟真实浏览器加载js,ajax等非静态页面数据；
      Scrapy框架：国内常见的框架Scrapy,Pyspider ，高定制性高性能(异步网络框架twisted),所以数据下载速度非常快,提供了数据存储,数据下载,提取规则等组件(异步网络框架twisted类似tornado)和Django，Flask相比的优势是高并发，性能较强的服务器框架；
六. HTML基础
         HTML（Hyper Text Markup Language）是用来描述网页的⼀种语言，也叫超文本标记语言。
6.1 查看网页的 HTML 代码
显示网页源代码
在网页任意地⽅点击⿏标右键，然后点击“显示网页源代码”。（Windows系统的电
脑还可以使⽤快捷键ctrl+u来查看网页源代码）
检查
 windows：在网页的空白处点击右键，然后选择“检查”（快捷方式是ctrl+shift+i）；
 mac：在网页的空白处点击右键，然后选择“检查”（快捷键 command + option + I(大写 I )）
6.2 HTML 的组成
1）标签和元素：
      标签：夹在尖括号<>中间的字母，标签通常是成对出现的：前⾯的是【开始标签】，比如<body>；后⾯的是【结束标签】，如</body>；
      元素：开始标签+结束标签+中间的所有内容组成。
      HTML文档含有许多标签，我们不必记住它们，了解几个常用的，混个脸熟即可：

注意：HTML标签是可以嵌套标签的，而且可以多层嵌套；这就像是在电脑中，⼀个硬盘可以包含数个文件夹，文件夹中还可以嵌套文件夹。
6.3 网页头和网页体
HTML文档的最外层标签⼀定是<html>，里面嵌套着<head>元素与<body>元素。
<head>元素代表了【网页头】，<body>元素代表了【网页体】，这是最基本的网页结构。
【网页头】的内容不会被直接呈现在浏览器里的网页正文中；
【网页体】的内容是会直接显示在网页正文中的。
HTML的基本结构如下所示：

6.4 属性
注意：HTML的属性和Python中的属性不是⼀个东西
      h1 标签及其对应的属性 style：<h1 style="color:#20b2aa;">这个书苑不太冷</h1>
      a 标签及其对应的属性 href ： <a >我是一个链接，点我试试</a>
      常见HTML的属性及用法：

七. HTTP协议之请求
我们向一个网址（也就是URL，之后采取的都会是URL的称呼）发起请求，这个URL所在的服务器会相应地返回我们一个结果，这个结果就是响应。
看起来似乎是一个很简单的流程，其实不然。无论是请求还是响应，都会隐形地携带很多和请求、响应有关的内容，接下来，我们就来看看都会携带哪些参数（参数有很多，我们挑下重要的讲讲）
7.1 请求报文重要片段信息：
我们来看看请求报文中我们需要了解哪些与爬虫有关的信息：

）method：
这个字段是用来指明请求的方法是哪一种的，常用的请求方法有GET、POST，这两种请求有什么区别、以及分别适用什么场景，后面我们会详细讲解。如果method是GET的时候，在使用requests的时候，就只能用requests.get()，比如这样：
import requests
response = requests.get('https://www.zhihu.com')
如果method是POST的时候，在使用requests的时候，就只能用requests.post()，而post是请求是需要传递数据的，这个之后会详细介绍。比如这样：
import requests
data = {
'username': 'kuuud',
'password': 'kuuud'
}
response = requests.post('https://www.wzhihu.com', data=data)
2）Accept：
这个字段是用来通知服务器，用户代理（浏览器等客户端）能够处理的媒体类型及媒体类型的相对优先级。可以使用type/subtype这种形式，一次可指定多种媒体类型。常用的媒体类型有以下几类：
文本文件：text/html，text/plain，text/css，application/xhtml+xml， application/xml...
图片文件：image/jpeg，image/gif，image/png...
视频文件：video/mpeg，vedio/quicktime...
应用程序使用的二进制文件：application/octer-stream，application/zip...
附：比如说浏览器不支持图片PNG的显示，那么accept就不指定image/png，因为浏览器处
理不了。（这个字段需要了解，尤其是如果后期想从事网站开发的童鞋）
3）Cookie：
      客户端发起请求时，服务器会返回一个键值对形式的数据给浏览器，下一次浏览器再访问这个域名下的网页时，就需要携带这些键值对数据在 Cookie中，用来记录用户在当前域名下的历史行为的。
      提到Cookie就不得不提，HTTP本身是一种无状态的协议，它是不会保存每次请求和响应的
      相关信息的，就比如我们登录淘宝，如果没有Cookie技术，那么我们每进入一个淘宝的页面都需要重新登录一次，这样是不是会特别麻烦？
      就是因为这个原因，才引入了Cookie技术，使得用户在一个域名下的历史行为能够得以保存，只要登录一次淘宝就可以了，不需要频繁地登录，而且能够看到历史记录。
      这个字段很重要，在爬虫中经常会用到，因为有的数据只有携带了Cookie才能够爬取到，所以经常会根据前次访问得到 cookie数据，然后添加到下一次的访问请求头中。
import requests
url = 'https://www.baidu.com'
headers = {
      'cookie': 'PSTM=1496322685; BIDUPSID=BC36002F7DA142E6674AE290CD5A38DB; _ _cfduid=ddf4836dd1f1ac99eeea8ef0f140493301522406372; BAIDUID=5FA7A2B4FDDA3C ECC6BE9B74FDCD00B8:FG=1; sugstore=1; BDUSS=1hvT3VoQmc5TDl5bFE1c2NjcGpOenByc nJTOEstZ0ZKcGs5UnB1dzVyU1hpYXRiQVFBQUFBJCQAAAAAAAAAAAEAAABCcYSYAAAAAAAAAAAA AAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAJf 8g1uX~INbR; BD_UPN=12314753; MCITY=‐340%3A; delPer=0; BD_CK_SAM=1; PSINO=7; BDRCVFR[Dq4jqEr7erC]=mk3SLVN4HKm; H_PS_PSSID=; BDORZ=FFFB88E999055A3F8A630C 64834BD6D0; H_PS_645EC=216feJgh%2BnAm%2BJD6G3sw10RBbYN1O%2FeCJqUhgtRyZ3OuJO 0EOqbXUwL8Kgf8zhqXH7RWxBnn; BDSVRTM=0; ispeed_lsm=6'
      }
response = requests.get(url, headers=headers)
4）Refer:
这个字段用来记录浏览器上次访问的URL，有的网站会通过请求中有没有携带这个参数来判断是不是爬虫，从而确定是否限制访问。所以有时候也需要在headers中添加上这个参数。
5）User-Agent:
是用来标识请求的浏览器身份的，大部分网站都会通过请求中有没有携带这个参数来判断是不是爬虫，从而确定是否限制访问。所以有时候也需要在headers中添加上这个参数；
代码如下：
import requests
url = 'https://www.baidu.com'
headers = {
      'user‐agent': 'Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/66.0.3359.139 Safari/537.36'
      }
response = requests.get(url, headers=headers)
但当我们要爬取的数据量比较大的时候，仅仅用一个user-agent是不够的，因为服务器又不傻，你一个浏览器不停地在访问我的URL，而且频率那么快，肯定不是人在后面操作，然后就会限制你的访问了，所以我们经常会用一个user-agent列表，来回地切换。这样服务器就会以为是多个浏览器（也就是多个用户）在访问URL，会判断这是正常的；
代码如下：
import requests,random
url = 'https://www.baidu.com'
agent_list = [
      'Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (K HTML, like Gecko) Chrome/66.0.3359.139 Safari/537.36',
      'Mozilla/5.0 (Macintosh; U; Intel Mac OS X 10_6_8; en‐us) AppleWebKit/53 4.50 (KHTML, like Gecko) Version/5.1 Safari/534.50',
      'Mozilla/5.0 (compatible; MSIE 9.0; Windows NT 6.1; Trident/5.0',
      'Mozilla/4.0 (compatible; MSIE 6.0; Windows NT 5.1)'
      ]
# 这是一个User‐Agent列表，在使用的时候随机从中选取一个作为请求头的参数传递进去
headers = {
      'user‐agent': random.choice(agent_list)
      }
response = requests.get(url, headers=headers)
7.2 HTTP请求报文
组成：
请求行 + 请求头 + 请求体
请求行：请求方法，请求地址（URL），HTTp版本
请求头（报文头）：以key-value方式存储，存储是客户端信息
请求体（报文体）：需要传递的一些参数信息
7.3 HTTP响应报文
组成：
响应行 + 响应头 + 响应体
响应行：HTTp版本，状态码
响应头（报文头）：服务端信息
响应体（报文体）：需要传递的数据
7.4 状态码：
2开头
2xx:成功类
3xx：重定向
4xx：客户端错误
5xx：服务端错误
原文链接：https://blog.csdn.net/weixin_53919192/article/details/124232219

微信扫一扫分享朋友圈