python爬虫

Posted 2020-10-13 铠甲巨人

爬虫原理

模拟请求→拿到数据→根据数据不同的类型用不同的方式解析→存储

 

学习步骤

1、http协议

2、请求库：requests，(urlib3比较复杂，不建议)

    requests请求库只能把页面内容下载本地以后，并不能执行js代码（浏览器可以）

    需要分析目标站点策略

3、解析库：re,beautifulsoup,pyquery

4、存储库：文件，MySQL,Mongodb,Redis

5、性能相关：异步IO

6、框架：scrapy

 

Http协议的8种请求

常用：GET  向特定服务端获取数据，数据在url中传输。

常用：POST   向服务端提交数据，数据包含在请求体中，

其他请求方式：HEAD，PUT，DELETE，OPTIONS，TRACE,CONNECT

 

网页的加载过程是：

加载一个网页，通常都是先加载document文档，

在解析document文档的时候，遇到链接，则针对超链接发起下载图片的请求

 

请求头

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
cookies：cookie用来保存登录信息
一般做爬虫都会加上请求头

例如：

User-Agent

Mozilla/5.0 (Windows NT 10.0; …) Gecko/20100101 Firefox/56.0

 

Host 请求头指明了服务器的域名（对于虚拟主机来说），以及（可选的）服务器监听的TCP端口号。

HTTP Cookie（也叫Web cookie或者浏览器Cookie）是服务器发送到用户浏览器并保存在浏览器上的一块数据，它会在浏览器下一次发起请求时被携带并发送到服务器上。比较典型的，可以它用来确定两次请求是否来自于同一个浏览器，从而能够确认和保持用户的登录状态。Cookie使得基于无状态的HTTP协议记录稳定的状态信息成为了可能。

 

 

请求体

　　如果是get方式，请求体没有内容
   如果是post方式，请求体是form data

    ps：
    1、登录窗口，文件上传等，信息都会被附加到请求体内
    2、登录，输入错误的用户名密码，然后提交，就可以看到post，正确登录后页面通常会跳转，无法捕捉到post 

 

 

响应

 

#1、响应状态
    200：代表成功
    301：代表跳转
    404：文件不存在
    403：权限
    502：服务器错误

#2、respone header
    set-cookie：可能有多个，是来告诉浏览器，把cookie保存下来
    
#3、preview就是网页源代码
    最主要的部分，包含了请求资源的内容
    如网页html，图片
    二进制数据等

 

爬虫所需工具：
    请求库：requests,selenium
    解析库：正则，beautifulsoup，pyquery
    存储库：文件，MySQL，Mongodb，Redis

 

requests模块

requests模块可以模拟浏览器的请求，比起urllib,requests模块的api更加便捷，本质就是封装了urllib3。

 

 

#注意：requests库发送请求将网页内容下载下来以后，并不会执行js代码，这需要我们自己分析目标站点然后发起新的request请求

 

#各种请求方式：常用的就是requests.get()和requests.post()
>>> import requests
>>> r = requests.get(‘https://api.github.com/events‘)
>>> r = requests.post(‘http://httpbin.org/post‘, data = {‘key‘:‘value‘})
>>> r = requests.put(‘http://httpbin.org/put‘, data = {‘key‘:‘value‘})
>>> r = requests.delete(‘http://httpbin.org/delete‘)
>>> r = requests.head(‘http://httpbin.org/get‘)
>>> r = requests.options(‘http://httpbin.org/get‘)

 

未完待续