速学爬虫
Posted amazingygy
tags:
篇首语：本文由小常识网(cha138.com)小编为大家整理，主要介绍了速学爬虫相关的知识，希望对你有一定的参考价值。
爬虫前奏
爬虫实例：
1.搜索引擎（百度、谷歌、360搜索等）。
2.伯乐在线。
3.惠惠购物助手。
4.数据分析与研究（数据冰山知乎专栏）。
5.抢票软件等。
什么是网络爬虫：
1.通俗理解：爬虫是一个模拟人类请求网站行为的程序，可以自动请求网页、并将数据抓取下来，然后使用一定的规则提取有价值的数据。
2.专业介绍：百度百科。
通用爬虫和聚焦爬虫：
1.通用爬虫：通用爬虫是搜索引擎抓取系统（百度、谷歌、搜狗等）的重要组成部分。主要是将互联网上的网页下载到本地，形成一个互联网内容的镜像备份。
2.聚焦爬虫：是面向特定需求的一种网络爬虫程序，他与通用爬虫的区别在于：聚焦爬虫在实施网页抓取的时候会对内容进行筛选和处理，尽量保证只抓取与需求相关的网页信息。
为什么用python写爬虫程序：
1.php：PHP大多用于网页开发，对多线程、异步支持不是很好，并发处理能力弱。爬虫是工具性程序，对速度和效率要求比较高。
2.Java：生态圈很完善，是python爬虫最大的竞争对手。但Java语言本身很笨重，代码量很大，重构成本比较高，任何修改会导致代码大量改动，而爬虫经常要修改采集代码。
3.C/C++：运行效率是无敌的，但学习和开发成本高，写爬虫程序可能要很长时间。
4.python：语法优美、海马简洁、开发效率高、支持的模块多。相关的HTTP请求模块和html解析模块非常丰富。还有Scrapy和Scrapy-redis框架让我们开发爬虫变得异常简单。
准备工具：
1.python3.6开发环境。
2.pycharm 2017 professional版。
3.虚拟环境“virtualenv/virtualenvwrapper”。
http协议和chrome抓包工具：
什么是http和https协议：
HTTP协议：全称是HyperText Transfer Protocal，中文意思是超文本传输协议，是一种发布和接受HTML页面的方法。服务器端口号是80端口。
HTTPS协议：是HTTP协议的加密版本，在HTTP下加入了SSL层，服务器端口号是443端口。
在浏览器中发送一个http请求的过程：
1.当用户在浏览器的地址栏中输入一个URL并按回车键之后，浏览器会向HTTP服务器发送HTTP请求，HTTP请求主要分为“get”和“post”两种方法。
2.当我们在浏览器输入URL http://www.baidu.com 的时候，浏览器发送一个request请求去截获 http://www.baidu.com 的html文件，服务器把request文件对象发送回给浏览器。
3.浏览器分析request中的html，发现其中引用了很多其他文件，比如lmages文件，css文件，js文件。浏览器会自动再次发送request去获取图片，css文件，或者js文件。
4.当所有的文件都下载成功后，网页会根据HTML语法结构完整的显示出来。
url详解：
url是统一资源定位符。
一个url由以下几部分组成：scheme://host:port/path/?query-string=xxx#anchor
scheme：代表的是访问的协议，一般为http或者http以及ftp等。
host：主机名、域名。
port：端口号。访问网站时，浏览器默认使用80端口。
path：查找路径。
query-string：查询字符串。
anchor：锚点，后台一般不用管，前端用来做页面定位。
在浏览器中请求一个url，浏览器会对这个url进行一个编码，除英文字母、数字和部分符号外，其他的全部使用百分号+十六进制码值进行编码。
常用的请求方法：
在http协议中，定义了8种请求方法。常用两种：get请求和post请求。
get请求：请求指定的页面信息，并返回实体主体。只从服务器获取数据，并不会对服务器资源产生任何影响。
post请求：向指定资源提交数据进行处理请求，数据包含在请求体中，POST请求可能会导致新的资源的建立或已有资源的修改。
请求头常见参数：
1.user-agent 2.referer 3.cookie
常见响应状态码：
1.200：请求正常，服务器正常的返回数据。
2.301：永久重定向。
3.302：临时重定向。
4.400：请求的url在服务器上找不到。
5.403：服务器拒绝访问，权限不够。
6.500：服务区内部错误。
chrome抓包工具：
chrome浏览器是一个非常亲近开发者的浏览器。可以方便的查看网络请求以及发送的参数。
以上是关于速学爬虫的主要内容，如果未能解决你的问题，请参考以下文章