爬虫基础知识（web前端，请求模块urllib,重构user_agent）

Posted 2022-10-24

网络爬虫（又被称作网络蜘蛛，网络机器人，网页追逐者），可以按照一定的规则（网络爬虫的算法）自动浏览或抓取网络中的信息，利用python可以很轻松的编写爬虫程序或者脚本。 (爬虫知识)

了解web前端

HTTP基本原理 HTTP(HpperText Transfer Protocol),即超文本传输协议，是互联网上应用广泛的一种网络协议。HTTP是利用TCP在Web服务器和客户端之间传输信息的协议，客户端使用Web浏览器发起HTTP请求给Web服务器，Web服务器发送被请求的信息给客户端。 ==HTTP协议常用的请求方法==

方法	描述
GET	请求指定的页面信息，并返回响应内容
POST	向指定资源提交数据进行处理请求（例如提交表单或者上传文件），数据被包含在请求体中。POST请求可能会导致新的资源的建立、或已有资源的修改
HEAD	类似于GET请求，只不过返回的响应中没有具体的内容，用于获取报文头部信息
PUT	从客户端像服务器传送的数据取代指定的文档内容
DELEAE	请求服务器删除指定内容
OPTIONS	允许客户端查看服务器性能

==HTTP状态码及其含义==

代码	含义
1**	信息，请求收到，继续处理
2**	成功，行为被成功地接受、理解和采纳
3**	重定向，为了完成请求必须进一步执行的动作
4**	客户端错误，请求包含语法错误或者请求无法实现
5**	服务器错误，服务器不能实现一种明显无效的请求

例如：状态码200，表示请求成功完成，状态码404，表示服务器找不到给定的资源。 浏览器中的请求与响应 例如使用谷歌浏览器访问百度官网，查看请求和响应的具体步骤如下： ==1==在谷歌浏览器输入网址进入百度官网

==2==按下F12键（或单击鼠标右键选择”检查“选项），审查页面元素

==3==单击谷歌浏览器调试工具中“Network”选项，按下F5 键（或手动刷新页面），单击调试工具中的“Name”栏目下的网址，查看请求与响应信息。

==Geral概述关键信息如下== Request URL:请求的URL网址，也就是服务器的URL网址

Request Method:请求方式为==GET== Status Code:状态码为==200==,即成功返回响应。 Remote Address :服务器IP地址是==39.156.66.14:443==，端口号是==80==

请求模块urllib

urllib是python自带模块，该模块提供了一个urlopen()的方法，通过该方法指定URL发送网络请求来获取数据，urllib提供了多个子模块，如下图所示

模块名称	描述
urllib.request	用于实现基本HTTP请求的模块
urllib.error	异常处理模块，如果在发送网络请求时出现错误，可以捕获异常进行异常的有效处理
urllib.parse	用于解析URL的模块
urllib.robotparser	用于解析robots.txt文件，判断网站是否可以爬取信息

在使用urlopen()方法实现一个网络请求时，所返回的是一个“<http.client.HTTPResponse object at 0x0000013BA5A47E48>”对象

重构user_agent

User-Agent(简称UA)，记录了操作系统的信息和浏览器的信息 以www.baidu.com为例演示

当不重构ua时，直接访问网址，只会返回百度的部分源码，因为百度识别出来我们是爬虫

这时就需要重构ua,伪装自己是浏览器发起请求 查看浏览器ua的方法：按F12键打开Network，在request headers里面就可以看到浏览器的ua.

创建具有请求头信息的Request对象，然后使用urlopen()方法向“百度”地址发送一个GET请求，利用字典添加请求头信息最常用的用法就是修改User-Agent来伪装浏览器，例如 headers = "user-agent": "Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (Khtml, like Gecko) Chrome/96.0.4664.45 Safari/537.36" 表示伪装成谷歌浏览器进行网络请求，可以获取百度的全部源代码

结束语