爬虫从入门到放弃 - 纯新手学习-爬虫基本原理

Posted 2020-12-24 roc-atlantis

1.什么是爬虫？

请求网站并提取数据的自动化程序

请求：客户端向服务端发送请求获得网页资源，是一段html代码，包含html标签和一段信息。

提取：提取出想要的信息，然后将结构化的数据存储到文本

自动化：写完程序一直运行着，代替客户端向服务端发送请求，可以大量的获得数据

 

爬虫四部

1.发起请求：通过http库向发起请求，即发送一个Request，请求可以包含额外的headers等信息，等待服务器响应。

2 .获取响应内容：如果服务器能正常响应，会获得一个Response，Response内容便是所要获取的页面内容。类型可能有htmlmjson字符串，

二进制数据，如图片、视频等类型。

3.解析内容：得到的内容可能是html，可以用正则表达式，网页解析库进行解析，可能是json，可以直接转换为json对象解析，可能是二进制数据，

可以作保存或者进一步的处理。

4.保存数据：保存形式多样，可以保存文本，也可以保存数据库，也可以保存特定格式的文件。

 

请求的参数包含在哪一个方面。

get请求直接输入url回车

post请求需要构建表单，点击表单提交，登陆账户点击提交就是发送post请求，因为登陆账户会有隐私，不能直接放在url里，需要做成表单提交。

 

1. Request主要构成

请求方式：主要有get,post两种方式，其他的方式还有head，put，delete，options。

request method

请求URL：url全称资源统一定位符。任何一个软件，文档，资源都可以用url来唯一确定。

requeset url

请求头：包含请求时的头部信息。如user_Agent,cookies,Host

request headers

请求体：请求时额外携带的数据。如表单提交时的表单数据。

提交表单时候的表单数据 format

 

2.Response 主要构成

1.响应状态：200代表成功，301代表跳转，404找不到页面，502服务器错误。状态码

status code 200 ok 表示请求正常发送，服务器正常响应，网页的响应状态

2.响应头：如内容类型，内容长度，服务器信息，设置cookie等等。

reponse headers

3.响应体：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。

 

具体实例：

>>> import requests
>>> response = requests.get(‘http://www.baidu.com‘)
>>> response.text  # 可以拿到网页源码（响应体）

开始对网页进行解析

response.headers 查看响应头

response status_code  拿到响应状态

response.content 获得响应体的二进制

 

第一次爬虫，兴奋，虽然是最简单的一个图片

import requests

response = requests.get( ‘https://img4.duitang.com/uploads/item/201603/01/20160301162401_fc4Rv.jpeg‘)

>>> with open(r‘D:\sylm‘,‘wb‘) as f:
...     f.write(response.content)
...     f.close()

第一次爬小姐姐图片