0基础带你认识爬虫

Posted 2020-11-16 lwh999

爬虫
一、认识爬虫
1、概念
口语化定义：网络爬虫，程序，自动，批量，下载网络资源。专业角度：伪装成客户端与服务端进行数据交互的程序
2.相关概念
2.1应用架构（软件的结构是什么样子的）
- c /s client server 客户端，服务端架构（比如lol,qq）
- b /s browser 浏览器服务器架构（各种网站）
- m /s mobile 移动端，服务端(手机app)

 

 

 那么客户端和服务端怎么传数据呢？他们有协议

2.2 http协议
超文本传输协议（从服务器传输超文本信息到客户端，客户端是没有数据的，数据在服务端，打开一个网页，数据通过http协议从服务器下载回来，整个互联网90%的数据都是基于http协议）
一个完整的http事务包含以下几个流程
1. 输入网址，dns（域名解析成ip,ip就是我们电脑在互联网上的地址，唯一的，在dns上找到域名，解析成我们需要的ip,找到我们的服务器）
2. TCP连接，三次握手（建立好连接，建立好通道）
3. 客户端发送HTTP请求报文
4.服务端收到请求，处理请求，返回一个包含结果的响应
5.浏览器 （根据收到信息的不同）渲染和展示
特点
- http无连接 每次只处理一个请求（非常快速，每个请求都是完整的）
- http媒体独立
- http无状态（连续两次请求区分不了是两个用户还是一个用户）

2.2.1 请求（request）
一个完整的http请求报文报文包含：请求行，请求头，空行，请求数据/请求体

 

 

 

1.请求方法
1.0 GET(没有请求体，最多只能发送1024字节） POST HEAD
1.1 

GET 获取数据（查）
POST 用户账号密码（增）
PUT(改)
DELETE（删）
2. 请求头
‘名称+：+值’

 

 

 Host 指定的请求资源域名(主机和端口号）400代表连不上

UA 指定我是用什么软件给你发送的，我是什么客户端，我是用电脑还是手机，甚至我是用华为的手机还是苹果的手机，微博上面回复一条显示什么手机
Acceept
cookie http是无状态的，但是我们现在又要他能够去把不同的请求，能够把一个客户端的不同请求联系在一起用到的技术

3. 请求体/请求数据
二进制，b‘‘ 。GET没有，请求头和请求体一定要有个空行，不然解析不了

2.2.2 响应
一个完整的响应报文包含：状态行，消息报头，空行，响应正文

 

 

 http响应状态码

让你快速知道当前响应是个什么情况，描述了响应的结果

 

 

1开头的一般看不到

3开头的重定向，打开一个网站的时候，输入用户名和密码，有些网站会跳转，服务端会告诉你一个标志，你需要跳到另外一个页面

4开头的代表我们的代码有问题，看下域名写对了没有，看下参数写对了没有，代表客户端错误
5开头代表服务器错误
一般用2、3、4、5，1一般不怎么用

响应报头(了解）

 

 

Allow

Date

Set-Cookie
Content-Type

2.2.3 会话技术（了解）
http是无状态的，服务器不知道连发两个请求不知道都是你，怎么把他联系在一起，怎么区分一个用户的连续请求
cookie,session
cookies （了解）（复数，不止一个cookie）
一个用户请求我的服务端，首先我的服务端检测你有没有，没有没关系，我在响应里面有个Set-Cookie,给你设置cookie，浏览器在接到这个响应之后，看到这个Set-Cookie之后，他会把你设置的这个cookie记录下来，浏览器会帮你保存这个信息，帮你把这个信息会保存在电脑上面，下次再请求这个网站时，浏览器就会检测看你有没有cookie,有就会把它带上，从而解决了这个问题 案例

凭证，保存在客户端 不安全，数据太大时响应变慢，所以发明了session

session 会话（指打个电话，拨通，讲完之后挂掉，这叫一次会话）在web这个领域，session什么意思呢，其实就是打开浏览器，访问某一个网站，在这个网站上点点点点点点，最后关闭这个网站，关闭这个浏览器，整个一个过程就叫做session，就叫一次会话基于cookie,session把数据 保存在服务端（不同的框架，不同的人实现的时候不一样，有人会把session存在数据库，有人会把session放在内存里面，有人会把session信息存在文件）
session是怎么运作的？
简单理解，我在服务器，维持一个大字典，每个客户的信息我用这个大字典来表示，我给每个客户生成一个cookie,叫做session ID，生成一个随机的，独立的字符串，每一次只要把这个session ID携带过来就可以了，你登录的时候我就在我的字典里面去新建一个字典，这个字典的key就是session ID，然后把你的值放到那个你的session ID对应的那个字典里面，那我可以存很多信息，这个时候我的信息，我的用户名和密码我不会存在里面，即使被窃取了，也无非是别人能够登陆一下，但是我们支付又要输密码，没办法去绕过，无形中比cookie安全高了很多，另外我存储信息也可以存的多一点，我不需要传给你，你只需要发一个session ID给我，一个session ID最多64字节

2.2.4 网络资源
可以通过互联网去获取网页、图片，音频、视频、媒体文件意见其他文件的集合的总称
爬虫的目标，定位
2.2.5 URL
统一资源定位符，网址，标识互联网上某一处网络资源的地址

 

 

 没有用默认端口，需要显示的写上，他的端口不是80，那就必须在域名的后面加上‘：8080’

/开始到？前面代表的是路径，你是要干什么，你是要首页面还是要登录页面，还是要登录，还是要注册，还是要付款你就通过后面这个路径去区分，我们刚才说的那个cookie,他会根据这个进行区分
路径参数，在URL里面我们可以带上这个参数，这个参数可以在服务器解析，一般情况下这个参数是用来做查询参数的，如果要传大量的数据要放在请求体里面
用来标识资源在互联网上的位置，前面代表协议，我这个资源要通过这个协议可以访问，在哪里呢，这个域名和端口就会指向这台计算机，什么信息呢，通过这个路径就指定这个信息，需要哪些参数，后面加上参数，举个例子，我要访问互联网上的某张图片
2.3 https 超文本传输安全协议
http有个非常大的缺点，http发送的时候数据都是明文的，没有加密的
ssl?TLS协议 依托于http的，只不过是在http传送的过程中他把数据进行了加密，仅此而已
与http的区别
1.https需要申请证书 - ca证书
2.http是明文的，https加密
3.连接方式：http 80 端口 https 443端口
端口： 我们一个电脑上有很多程序，每个程序他要访问网络的时候公用一个id,怎么区分不同的软件，怎么区分不同的请求，就通过端口
4.

3. 应用领域

3.1 数据采集
淘宝，阿里巴巴，腾讯，百度，华为这种大公司大平台，他们的数据，他们其实有很多免费的，比如说百度有很多免费的服务其实你是付了费的，付了什么费呢，有你的信息，像很多论坛啊，免费的，你觉得你是免费的时候，当然你也是免费的，他也是提供了服务给你，其实这些大公司的布局都是获取用户数据，对于大公司来说，他有自己的平台，有自己的渠道能够拿到数据，那很多中小企业怎么办呢？两个办法，第一个就是买，找大公司去买数据，我和腾讯合作，我和阿里巴巴合作，比如说电商平台和阿里巴巴去合作，搞一个淘宝直通车，广告费用。还有个渠道呢，在很长一段时间就是个爬虫，比如去爬淘宝的商品，你要去爬饿了么，爬美团都有

3.2 搜索引擎
谷歌 它发展起来，最开始就是一个爬虫，发展到现在一个世界级的顶尖的公司，谷歌公司叫做‘’程序员的殿堂‘’如果你有谷歌公司的工作经验，你在国内BAT这种公司你就随便进，如果你有BAT的工作经验，一般的其他企业你也随便进，对不对。谷歌公司最开始其实就是一个爬虫，百度他的搜索也就是一个爬虫，所有的搜索引擎其实都是爬虫，他不停的在互联网上不分日夜的到处去爬，他抽象把互联网当做一个节点这样一个网络，爬虫程序在里面，这样去形象的去比喻，把别人网站的信息收入到自己的数据库，比如说你搜索一个图片，所有图片相关的网站通通都会搜索出来，他在早期怎么做呢，他就是去根据你那个，他的爬虫有个规则啊，他不会爬你整个网页，他只会爬你的头部，我们打开一个网页的时候

 

 

 

他这里有个meta,它这里面有 很多的信息。
3.3 模拟操作
有时候我们一些重复的劳动，我们都知道现在要智能化，自动化，有灌水机器人，以前论坛里面要灌水嘛，要把帖子给顶上去，一下子几十万哪里找这么多人，虽然说有水军，但是这个水军要钱的，技术人员通过写爬虫模拟用户去登录，去发帖子。还有测试的，软件行业搞测试的，写好一个软件，在发布的时候需要去做各种测试，自动化测试。12306抢票程序，通过爬虫我可以实现，设定好时间，设定好我去哪里，买哪趟车，这个程序帮我自动运行，帮我去抢票，这个也是爬虫。

二、开发流程
1.分析请求流程
2. 发送请求
3. 获取响应内容
4. 解析内容
5. 数据持久化
1. 分析请求流程
目的：找到目标资源的http请求。具体指标：
1. 请求方法
2. url
3. 请求头
4. 请求数据（参数）
1.1 工具（抓包）
1.1.1 fiddler
1.1.2 谷歌浏览器
基本上我们写的爬虫80%以上用谷歌浏览器就足够，提供了一个开发者调试工具，能对我们的http请求进行监控，按下F12打开，Network点开，输入网站一回车，分析网页结构就用Elements,分析页面用Network，下面的每一条都是一次http事务。

 

 右边是请求的详细信息，Headers是头部信息，Preview是对结果的渲染，这里为什么是白板呢？我这里要跟大家讲个概念，一个网页并不是一次请求就可以搞定的，现阶段的网站一个页面他不可能是一个html，（在互联网的古时候那个时候都是静态页面，一个网页就是一个请求），一个页面在加载的时候不止一个请求，然后请求也有先后顺序。Response是第一次响应回来的数据

 

 2. 发送请求

2.1 通过socket 发送HTTP请求
from socket import socket
创建客户端
client = socket()
 连接服务端
client.connect((‘www.baidu.com‘,80))
构建http请求报文
data = b‘GET / HTTP/1.0 Host: www.baidu.com ‘
发送报文
client.send(data)
接受响应
res = ‘b‘
temp = client.recv(1024)
print(‘*‘*20)
while temp:
res +=temp
temp = client.recv(1024)
print(res)
client.close()

2.2 工具库
1.urllib python的标准库，网络请求的
2. urllib3 基于python3
3. requests
这个库使得爬虫泛滥，间接导致很多网站的反爬技术不断升级，使用这个equests库可以非常简单的，毫无门槛的去下载很多很多的资源
2.2.1 requests
特点，专为人类而构建，是优雅和简单的python库，也是有史以来下载次数做多的python软件包之一。

3.获取响应内容
3.1 利用socket 下载一张图片

 

3..2 requests下载

 

 4. 解析内容

响应体：一个是文本，还有个是二进制数据
文本：html,json,(js,css)
4.1 html 解析
4.1.1 正则表达式
4.1.2 beautiful soup
4.1.3 xpath
4.2 json 解析
4.2.1 jsonpath
我们写爬虫的时候有很大一部分工作需要去解析，对数据进行解析，然后提取我们需要的内容

5. 数据持久化
1. 写文件
二进制数据，少量的一般情况下都是写文件，比如下载图片，mp3，下载视频，变成文件存回来
2. 写数据库
有大量的文本数据，结构性的，存到数据库，比如说查某个商品的销售数据，网上找论文，小说，下载整个网站的小说要把它存到数据库
三、重点和难点
1. 数据获取
有很多反爬措施，反爬技术突飞猛进
1.1 请求头反爬
比如只要浏览器访问，加一个UA，基本上没有用，处理起来非常方便
1.2 cookie
cookie 处理起来也不难，requests已经帮我们做了cookie 处理了
1.3 验证码
点触、图形、字符、滑动、短信、语音验证码等等，有的验证码是破解不了的，验证码的处理上面难度非常大，在需要登录或者验证码的处理上其实是一个比较难的地方
1.4 行为检测
机器学习，通过对用户的行为，比如点击频率，网页的停留时间，他会进行学习，然后通过这些指标，通过一些模型来判断这个是一个爬虫还是一个人，这个的难点在你要发现它的规则，也就是他通过什么去判断。举个简单例子，比如时间间隔，爬虫一般你设定的是比如每秒钟它去爬一次，他就每秒钟，分毫不差，但是人点击时间是随机的，为了处理这个，我就在每次爬取的时候在中间加个随机值，随机休眠一段时间我再去爬，就可以解决这个问题。
1.5 参数加密
比较困难，需要去研究，去调试它的gs,看他是用什么方法去加密的数据，需要足够的耐心去gs调试和分析
1.6 字体反爬
爬不到具体的数字，每次自定义的字体，需要去学习相应的字体，把关键的字用自己的字体，比较困难
2. 爬取效率
2.1 并发
你在你的电脑上同时运行多个程序
2.2 异步
2.3 分布式
爬虫会检测ip,如果同一个IP访问次数过多，我就觉得你有可能有问题，我可能会封你的ip,这个时候就需要分布式，你把你的爬虫在不同的电脑上，部署在不同的主机上面去运行，去爬取

总结如下：