爬虫基础
Posted yinjiangchong
tags:
篇首语:本文由小常识网(cha138.com)小编为大家整理,主要介绍了爬虫基础相关的知识,希望对你有一定的参考价值。
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)
7. HTTP常见请求头
- Host (主机和端口号)
- Connection (链接类型)
- Upgrade-Insecure-Requests (升级为HTTPS请求)
- 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
- Accept (传输文件类型)
- Referer (页面跳转处)
- Accept-Encoding(文件编解码格式)
- Cookie (Cookie),获取只有登录后才能爬取的数据
- 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
以上是关于爬虫基础的主要内容,如果未能解决你的问题,请参考以下文章