python爬⾍⼊门，8分钟就够了，最简单的基础教学！
⼀、基础⼊门
1.1什么是爬⾍
爬⾍(spider，⼜⽹络爬⾍)，是指向⽹站/⽹络发起请求，获取资源后分析并提取有⽤数据的程序。
从技术层⾯来说就是 通过程序模拟浏览器请求站点的⾏为，把站点返回的HTML代码/JSON数据/⼆进制数据（图⽚、视频） 爬到本地，进⽽提取⾃⼰需要的数据，存放起来使⽤。
1.2爬⾍基本流程
⽤户获取⽹络数据的⽅式：
⽅式1：浏览器提交请求—>下载⽹页代码—>解析成页⾯
⽅式2：模拟浏览器发送请求(获取⽹页代码)->提取有⽤的数据->存放于数据库或⽂件中
爬⾍要做的就是⽅式2。
⼊门python爬⾍，10分钟就够了，这可能是我见过最简单的基础教学
1发起请求
使⽤http库向⽬标站点发起请求，即发送⼀个Request
Request包含：请求头、请求体等
Request模块缺陷：不能执⾏JS 和CSS 代码
2获取响应内容
如果服务器能正常响应，则会得到⼀个Response
Response包含：html，json，图⽚，视频等
3解析内容
解析html数据：正则表达式（RE模块）、xpath（主要使⽤）、beautiful soup、css
解析json数据：json模块
解析⼆进制数据：以wb的⽅式写⼊⽂件
4保存数据
数据库（MySQL，Mongdb、Redis）或 ⽂件的形式。
1.3http协议 请求与响应
http协议
怎么退出linux虚拟机
Request：⽤户将⾃⼰的信息通过浏览器（socket client）发送给服务器（socket server）
Response：服务器接收请求，分析⽤户发来的请求信息，然后返回数据（返回的数据中可能包含其他链接，如：图⽚，js，css等）
ps：浏览器在接收Response后，会解析其内容来显⽰给⽤户，⽽爬⾍程序在模拟浏览器发送请求然后接收Response后，是要提取其中的有⽤数据。
对Python感兴趣或者是正在学习的⼩伙伴，可以加⼊我们的Python学习扣qun：784758214，从0基础的python脚本到web开发、爬⾍、django、数据挖掘数据分析等，0基础到项⽬实战的资料都有整理。送给每⼀位python的⼩伙伴！每晚分享⼀些学习的⽅法和需要注意的⼩细节，学习路线规划，利⽤编程赚外快。快点击加⼊我们的
1.3.1
request
(1) 请求⽅式
常见的请求⽅式：GET / POST
（2）请求的URL
url全球统⼀资源定位符，⽤来定义互联⽹上⼀个唯⼀的资源 例如：⼀张图⽚、⼀个⽂件、⼀段视频都可以⽤url唯⼀确定
（3）请求头
User-agent：请求头中如果没有user-agent客户端配置，服务端可能将你当做⼀个⾮法⽤户host；
cookies：cookie⽤来保存登录信息
注意：⼀般做爬⾍都会加上请求头。
请求头需要注意的参数：
Referrer：访问源⾄哪⾥来（⼀些⼤型⽹站，会通过Referrer 做防盗链策略；所有爬⾍也要注意模拟）
User-Agent：访问的浏览器（要加上否则会被当成爬⾍程序）
cookie：请求头注意携带
（4）请求体
请求体 如果是get⽅式，请求体没有内容 （get请求的请求体放在 url后⾯参数中，直接能看到） 如果是post⽅式，请求体是format data
ps：1、登录窗⼝，⽂件上传等，信息都会被附加到请求体内 2、登录，输⼊错误的⽤户名密码，然后提交，就可以看到post，正确登录后页⾯通常会跳转，⽆法捕捉到post
1.3.2
response
（1）响应状态码
200：代表成功fcpxml文件打开需要源文件吗
301：代表跳转
404：⽂件不存在
403：⽆权限访问
502：服务器错误
（2）response header
响应头需要注意的参数：Set-Cookie:BDSVRTM=0; path=/：可能有多个，是来告诉浏览器，把cookie保存下来
（3）preview就是⽹页源代码
json数据
如⽹页html，图⽚
⼆进制数据等
02
⼆、基础模块
2.1requests
requests是python实现的简单易⽤的HTTP库，是由urllib的升级⽽来。
开源地址：
中⽂API：
2.2re 正则表达式
在 Python 中使⽤内置的 re 模块来使⽤正则表达式。
缺点：处理数据不稳定、⼯作量⼤
2.3XPath
Xpath(XML Path Language) 是⼀门在 XML ⽂档中查信息的语⾔，可⽤来在 XML ⽂档中对元素和属性进⾏遍历。
在python中主要使⽤ lxml 库来进⾏xpath获取（在框架中不使⽤lxml，框架内直接使⽤xpath即可）
lxml 是 ⼀个HTML/XML的解析器，主要的功能是如何解析和提取 HTML/XML 数据。
lxml和正则⼀样，也是⽤ C 实现的，是⼀款⾼性能的 Python HTML/XML 解析器，我们可以利⽤之前学习的XPath语法，来快速的定位特定元素以及节点信息。
2.4BeautifulSoup
和 lxml ⼀样，Beautiful Soup 也是⼀个HTML/XML的解析器，主要的功能也是如何解析和提取 HTML/
XML 数据。
使⽤BeautifulSoup需要导⼊bs4库
缺点：相对正则和xpath处理速度慢
优点：使⽤简单
2.5Json
JSON(JavaScript Object Notation) 是⼀种轻量级的数据交换格式，它使得⼈们很容易的进⾏阅读和编写。同时也⽅便了机器进⾏解析和⽣成。适⽤于进⾏数据交互的场景，⽐如⽹站前台与后台之间的数据交互。
在python中主要使⽤ json 模块来处理 json数据。Json解析⽹站：
2.6threading
使⽤threading模块创建线程，直接从threading.Thread继承，然后重写__init__⽅法和run⽅法
03
三、⽅法实例
3.1get⽅法实例
exercise音标
demo_get.py
3.2post⽅法实例demo_post.py
3.3添加代理
python请求并解析json数据demo_proxies.py
3.4获取ajax类数据实例demo_ajax.py
3.5使⽤多线程实例
学习c语言用什么软件好
demo_thread.py
04
四、爬⾍框架
4.1Srcapy框架
Scrapy是⽤纯Python实现⼀个为了爬取⽹站数据、提取结构性数据⽽编写的应⽤框架，⽤途⾮常⼴泛。
Scrapy 使⽤了 Twisted’twɪstɪd异步⽹络框架来处理⽹络通讯，可以加快我们的下载速度，不⽤⾃⼰去实现异步框架，并且包含了各种中间件接⼝，可以灵活的完成各种需求。
4.2Scrapy架构图
qq进制转换登录4.3Scrapy主要组件
Scrapy Engine(引擎): 负责Spider、ItemPipeline、Downloader、Scheduler中间的通讯，信号、数据传递等。
Scheduler(调度器): 它负责接受引擎发送过来的Request请求，并按照⼀定的⽅式进⾏整理排列，⼊队，当引擎需要时，交还给引擎。
Downloader（下载器）：负责下载Scrapy Engine(引擎)发送的所有Requests请求，并将其获取到的Responses交还给Scrapy
Engine(引擎)，由引擎交给Spider来处理，
Spider（爬⾍）：它负责处理所有Responses，从中分析提取数据，获取Item字段需要的数据，并将需要跟进的URL提交给引擎，再次进⼊Scheduler(调度器)，
Item Pipeline(管道)：它负责处理Spider中获取到的Item，并进⾏进⾏后期处理（详细分析、过滤、存储等）的地⽅.
Downloader Middlewares（下载中间件）：你可以当作是⼀个可以⾃定义扩展下载功能的组件。
Spider Middlewares（Spider中间件）：你可以理解为是⼀个可以⾃定扩展和操作引擎和Spider中间通信的功能组件（⽐如进⼊Spider的Responses；和从Spider出去的Requests）
4.4Scrapy的运作流程
引擎：Hi！Spider, 你要处理哪⼀个⽹站？
Spider：⽼⼤要我处理xxxx。
引擎：你把第⼀个需要处理的URL给我吧。

版权声明：本站内容均来自互联网，仅供演示用，请勿用于商业和其他非法用途。如果侵犯了您的权益请与我们联系QQ:729038198，我们将在24小时内删除。