爬虫基础

Posted 2020-12-26 yinjiangchong

1. 什么是爬虫(重点掌握)

网络爬虫（又被称为网页蜘蛛，网络机器人）就是模拟客户端发送网络请求，接收请求响应，一种按照一定的规则，自动地抓取互联网信息的程序。

原则上,只要是浏览器(客户端)能做的事情，爬虫都能够做.

2.爬虫的分类

通用爬虫:通常指搜索引擎的爬虫

聚焦爬虫:针对特定网站的爬虫

3. robots协议

Robots协议：网站通过Robots协议告诉搜索引擎哪些页面可以抓取，哪些页面不能抓取，但它仅仅是道德层面上的约束.例如：淘宝的robots协议

4. http和https的概念(掌握)

• HTTP
  • 超文本传输协议
  • 默认端口号:80
• HTTPS
  • HTTP + SSL(安全套接字层)
  • 默认端口号：443

HTTPS比HTTP更安全，但是性能更低

5. 浏览器发送HTTP请求的过程(重点理解)

浏览器会主动请求js，css等内容，js会修改页面的内容，js也可以重新发送请求，最后浏览器渲染出来的内容在elements中，其中包含css，图片，js，url地址对应的响应等。

但是在爬虫中，爬虫只会请求url地址，对应的拿到url地址对应的响应

浏览器渲染出来的页面和爬虫请求的页面并不一样

所以在爬虫中，需要以url地址对应的响应为准来进行数据的提取

6. url的形式

url的形式：scheme://host[:port#]/path/…/[?query-string][#anchor]

• scheme：协议(例如：http, https, ftp)
• host：服务器的IP地址或者域名
• port：服务器的端口（如果是走协议默认端口，80 or 443）
• path：访问资源的路径
• query-string：参数，发送给http服务器的数据
• anchor：锚（跳转到网页的指定锚点位置）
  • http://localhost:4000/file/part01/1.2.html
  • http://item.jd.com/11936238.html#product-detail
  • url地址中是否包含锚点对响应没有影响

7. HTTP常见请求头

1. Host (主机和端口号)
2. Connection (链接类型)
3. Upgrade-Insecure-Requests (升级为HTTPS请求)
4. User-Agent (浏览器名称),告诉对方服务器是什么客户端正在请求资源，爬虫中模拟浏览器非常重要的一个手段
5. Accept (传输文件类型)
6. Referer (页面跳转处)
7. Accept-Encoding（文件编解码格式）
8. Cookie （Cookie）,获取只有登录后才能爬取的数据
9. x-requested-with :XMLHttpRequest (是Ajax 异步请求)

8.常见的请求方法

• GET
• POST

get请求和post请求的区别可以参w3school

9.响应状态码(status code)

常见的状态码：

• 200：成功
• 302：临时转移至新的url
• 307：临时转移至新的url
• 404：not found
• 500：服务器内部错误

10.爬虫的流程

url -- > 发送请求，获取响应---->提取数据--->保存 获取响应 -->提取url地址，继续请求.

 

11.字符串的相关知识

11.1. Unicode UTF8 ASCII的补充

字符(Character)是各种文字和符号的总称，包括各国家文字、标点符号、图形符号、数字等

字符集(Character set)是多个字符的集合

字符集包括：ASCII字符集、GB2312字符集、GB18030字符集、Unicode字符集等

ASCII编码是1个字节，而Unicode编码通常是2个字节。

UTF-8是Unicode的实现方式之一，UTF-8是它是一种变长的编码方式，可以是1，2，3个字节

11.2.python中的字符串

python3中两种字符串类型：

• str : unicode的呈现形式

• bytes :字节类型，互联网上数据的都是以二进制的方式(字节类型)传输的

使用方法:

• str 使用encode方法转化为 bytes
• bytes 通过decode转化为 str

编码方式解码方式必须一样，否则就会出现乱码

python2中字符串有两种类型

• unicode类型
• 字节类型

在Python2中，字符串无法完全地支持国际字符集和Unicode编码。为了解决这种限制，Python2对Unicode数据使用了单独的字符串类型。要输入Unicode字符串字面量，要在第一个引号前加上‘u‘。

Python2中普通字符串实际上就是已经编码(非Unicode)的字节字符串。

• 字节类型通过decode转化为unicode类型
• unciode类型通过encode方法转化为字节类型
• 方法的使用和python3相同，但是在方法中默认的编解码方式为ascii，对中文需要手动指定为utf-8

总结:

• python2

  • 字节类型：str,字节类型，通过decode()转化为unicode类型
  • unicode类型：unicode ，通过encode转化为str字节类型

• python3

  • str：unicode，通过encode() 转化为bytes
  • bytes：字节类型，通过decode()转化为str类