python爬虫
Posted maxxx
tags:
篇首语:本文由小常识网(cha138.com)小编为大家整理,主要介绍了python爬虫相关的知识,希望对你有一定的参考价值。
python爬虫
一.爬虫 WHAT
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,进而提取自己所需的数据,存放起来使用。
二.爬虫 WAY
获取网络数据的方式:
①.浏览器提交请求→下载网页代码→解析成网页
②.模拟浏览器发送请求(获取网页代码)→提取有用的数据→存放在数据库或文件中 [爬虫所要做的]
发送请求→获取响应内容→解析内容→保存数据
1.发送请求
使用http库向目标站点发起请求,即发送一个Request
Request包含:请求头、请求体等
Request模块缺陷:不能执行JS和CSS代码
2.获取响应内容
服务器正常响应,则会得到一个Responce
Response包含:html,json,图片,视屏等
3.解析内容
解析html数据:正则表达式(RE模块),第三方解析库如Beautifulsoup,pyquery等
解析json数据:json模块
解析二进制数据:以wb的方式写入文件
4.保存数据
数据库(MySQL,Mongdb,Redis)
三.爬虫 WHY
Request:用户将自己的信息通过浏览器(socket client)发送给服务器(socket sever)
Response:服务器接收请求,分析用户发来的请求信息,然后返回数据
浏览器在接收到Responce后,会解析其内容来显示给用户,而爬虫程序在模拟浏览器发送请求然后接收Response后,是要提取其中有用的数据。
Request{
①.请求方式(常见的):GET/POST
②.请求的URL:url全球统一资源定位符,用来定义互联网上的一个唯一的资源,如一张图片、一个文件、一段视频都可以用url唯一确定
网页加载过程: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
③.请求头(一般爬虫都会加上请求头):
User-agent:请求头中如果没有user-agent客户端配置,服务器可能将你当作一个非法用户host;
cookies:cookies用来保存登录信息
请求头需要注意的参数:
1.Referrer:访问源哪里来的(一些大型网站,会通过Referrer做防盗链策略,所有爬虫也要注意模拟)
2.User-agent:访问的浏览器(要加上否则会被当成爬虫程序)
3.cookie:请求头注意携带
④.请求体
如果是get方式,请求体没有内容(get请求的请求体放在url后面参数中,直接能看到)
如果是post方式,请求体是format data
ps:登录窗口、文件上传等,信息都会被附加到请求体内;登录,输入错误的用户密码,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
⑤.响应Response
1.响应状态码:
202:代表成功
301:代表跳转
404:文件不存在
403:无权限访问
502:服务器错误
2.response header
响应头需要注意的参数:
Set-Cookies:BDSVRTM=0;path=/:可能有多个,是来告诉浏览器,把cookie保存下来
Content-Location:服务端响应头中包含Location返回浏览器之后,浏览器就会重新访问另一个页面
Preview就是网页源代码 JSON数据 如网页html,图片 二进制数据等
}
四.爬虫 总结
爬虫流程:爬取→解析→存储
爬虫所需工具:
请求库:request,selenium
解析库:正则,beautifulsoup,pyquery
存储库:文件,MySQL,Mongdb,Redis
以上是关于python爬虫的主要内容,如果未能解决你的问题,请参考以下文章