知乎python 爬虫如何入门学习

Posted 2023-04-08

链接：https://pan.baidu.com/s/1wMgTx-M-Ea9y1IYn-UTZaA

提取码：2b6c

课程简介

毕业不知如何就业？工作效率低经常挨骂？很多次想学编程都没有学会？

Python 实战：四周实现爬虫系统，无需编程基础，二十八天掌握一项谋生技能。

带你学到如何从网上批量获得几十万数据，如何处理海量大数据，数据可视化及网站制作。

课程目录

开始之前，魔力手册 for 实战学员预习

第一周：学会爬取网页信息

第二周：学会爬取大规模数据

第三周：数据统计与分析

第四周：搭建 Django 数据可视化网站

......

参考技术A 入门”是良好的动机，但是可能作用缓慢。如果你手里或者脑子里有一个项目，那么实践起来你会被目标驱动，而不会像学习模块一样慢慢学习。

另外如果说知识体系里的每一个知识点是图里的点，依赖关系是边的话，那么这个图一定不是一个有向无环图。因为学习A的经验可以帮助你学习B。因此，你不需要学习怎么样“入门”，因为这样的“入门”点根本不存在！你需要学习的是怎么样做一个比较大的东西，在这个过程中，你会很快地学会需要学会的东西的。当然，你可以争论说需要先懂python，不然怎么学会python做爬虫呢？但是事实上，你完全可以在做这个爬虫的过程中学习python :D

看到前面很多答案都讲的“术”——用什么软件怎么爬，那我就讲讲“道”和“术”吧——爬虫怎么工作以及怎么在python实现。

先长话短说summarize一下：
你需要学习

基本的爬虫工作原理
基本的http抓取工具，scrapy
Bloom Filter: Bloom Filters by Example
如果需要大规模网页抓取，你需要学习分布式爬虫的概念。其实没那么玄乎，你只要学会怎样维护一个所有集群机器能够有效分享的分布式队列就好。最简单的实现是python-rq: https://github.com/nvie/rq
rq和Scrapy的结合：darkrho/scrapy-redis · GitHub
后续处理，网页析取(grangier/python-goose · GitHub)，存储(Mongodb)

爬虫入门及HTTP协议的讲解

專 欄

❈

高金，知乎专栏 爬虫从入门到放弃的作者 ，喜欢爬虫！http://zhuanlan.zhihu.com/pachong

❈

—

1.引言

我经常会看到有人在知乎上提问如何入门 Python 爬虫？如何学习Python爬虫[入门篇]？等这一些问题，我今天写这篇文章的目的就是来告诉大家，我为什么要学爬虫，爬虫的本质是什么。

2.我为什么要学爬虫

先说我吧，我当初为什么要学爬虫呢？

两年前，我还是个懵懂的小孩，那时候，基本上每天晚上都会上老司机论坛找电影,不知道大家知不知道老司机论坛，其实可以按照分类查找你想要看的电影的，但是它竟然没有多选（不能同时选择两个或多个分类进行查找）。比如 我想看“xxx”剧情+中文字幕的，我是怎么做的呢，先选择分类“xxx”,然后一页一页的ctrl+f 输入“中文” 查找......这样找了几天后，我发现这种方法简直太傻了，而是我百度了下，第一次知道了“爬虫”...于是，在强大的兴趣驱动下，我1个礼拜就入了门....这就是我为什么要学爬虫的经过

我觉得爬虫就是帮助我们偷懒的，如上面，当我爬下来整个老司机论坛后，我可以自定义多条件查找了，不用再那么傻傻的一页一页的翻了；爬虫能帮我们省掉一系列繁琐的时间（比如我要下载我爱看图这个网站的图片，我不可能一张一张的点，我可以写一个爬虫帮我全部下载完）

3.爬虫的本质是什么

爬虫的本质我觉得就是一句话 模仿浏览器去打开网页

我们来看一个例子吧（让红包飞）

打开这个网页后，按F12,打开开发者工具，然后F5刷新下页面（我用的Google浏览器）

先点击“最上面的Network”然后点击“Doc”，应该会看到如下图一样的界面

我们先看General 下面的

request method ，表示我们请求的方式，这里我们看到用的是GET

POST方法要求被请求服务器接受附在请求后面的数据，常用于提交表单。 
eg：POST /reg.jsp HTTP/ (CRLF) 
Accept:image/gif,image/x-xbit,... (CRLF) 
... 
HOST:桂林电子科技大学 (CRLF) 
Content-Length:22 (CRLF) 
Connection:Keep-Alive (CRLF) 
Cache-Control:no-cache (CRLF) 
(CRLF) //该CRLF表示消息报头已经结束，在此之前为消息报头 
user=jeffrey&pwd=1234 //此行以下为提交的数据

HEAD方法与GET方法几乎是一样的，对于HEAD请求的回应部分来说，它的HTTP头部中包含的信息与通过GET请求所得到的信息是相同的。利用这个方法，不必传输整个资源内容，就可以得到Request-URI所标识的资源的信息。该方法常用于测试超链接的有效性，是否可以访问，以及最近是否更新。

status code 表示服务器返回的状态吗，这里是200，表示OK

状态代码有三位数字组成，第一个数字定义了响应的类别，且有五种可能取值： 
1xx：指示信息--表示请求已接收，继续处理 
2xx：成功--表示请求已被成功接收、理解、接受 
3xx：重定向--要完成请求必须进行更进一步的操作 
4xx：客户端错误--请求有语法错误或请求无法实现 
5xx：服务器端错误--服务器未能实现合法的请求 
常见状态代码、状态描述、说明： 
200 OK //客户端请求成功 
400 Bad Request //客户端请求有语法错误，不能被服务器所理解 
401 Unauthorized //请求未经授权，这个状态代码必须和WWW-Authenticate报头域一起使用 
403 Forbidden //服务器收到请求，但是拒绝提供服务 
404 Not Found //请求资源不存在，eg：输入了错误的URL 
500 Internal Server Error //服务器发生不可预期的错误 
503 Server Unavailable //服务器当前不能处理客户端的请求，一段时间后可能恢复正常 
 
然后再看Request Headers（请求时候用的消息报头）

Accept 
Accept请求报头域用于指定客户端接受哪些类型的信息。eg：Accept：image/gif，表明客户端希望接受GIF图象格式的资源；Accept：text/html，表明客户端希望接受html文本。

Accept-Encoding 
Accept-Encoding请求报头域类似于Accept，但是它是用于指定可接受的内容编码。eg：Accept-Encoding:gzip.deflate.如果请求消息中没有设置这个域服务器假定客户端对各种内容编码都可以接受。 
Accept-Language 
Accept-Language请求报头域类似于Accept，但是它是用于指定一种自然语言。eg：Accept-Language:zh-cn.如果请求消息中没有设置这个报头域，服务器假定客户端对各种语言都可以接受

Cache-Control 是用来控制网页的缓存，详细可以Cache-control_百度百科

Cookie，有时也用其复数形式 Cookies，指某些网站为了辨别用户身份、进行 session 跟踪而储存在用户本地终端上的数据（通常经过加密）。定义于 RFC2109 和 2965 中的都已废弃，最新取代的规范是 RFC6265[1] 。（可以叫做浏览器缓存） 
HOST 表示你请求网址的请求域

User-Agent 表示当前浏览器的名称及版本

Referer: 告诉服务器你是从哪个页面链接过来的（下图没有.） 
 
Response Headers我就不一一介绍了，大家可以看.

爬虫就是把上面的内容模拟发送出去（请大家期待下一篇文章.）

§ §

优秀人才不缺工作机会，只缺适合自己的好机会。但是他们往往没有精力从海量机会中找到最适合的那个。
100offer 会对平台上的人才和企业进行严格筛选，让「最好的人才」和「最好的公司」相遇。
扫描下方二维码，注册 100offer，谈谈你对下一份工作的期待。一周内，收到 5-10 个满足你要求的好机会！