易语⾔与python爬⾍_022Python爬⾍原理与python爬⾍实例
⼤全
前⾔
简单来说互联⽹是由⼀个个站点和⽹络设备组成的⼤⽹，我们通过浏览器访问站点，站点把HTML、JS、CSS代码返回给浏览器，这些代码经过浏览器解析、渲染，将丰富多彩的⽹页呈现我们眼前；
⼀、爬⾍是什么？
如果我们把互联⽹⽐作⼀张⼤的蜘蛛⽹，数据便是存放于蜘蛛⽹的各个节点，⽽爬⾍就是⼀只⼩蜘蛛，
沿着⽹络抓取⾃⼰的猎物(数据)爬⾍指的是：向⽹站发起请求，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；
⼆、爬⾍的基本流程：
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
format是重读闭音节吗爬⾍要做的就是⽅式2；
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
python解析json文件Response包含：html，json，图⽚，视频等
jquery ui li3、解析内容
解析html数据：正则表达式(RE模块)，第三⽅解析库如Beautifulsoup，pyquery等
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)
⽂件
三、http协议 请求与响应
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。
四、 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
url编码
图⽚会被编码(看⽰例代码)
⽹页的加载过程是：
加载⼀个⽹页，通常都是先加载document⽂档，
在解析document⽂档的时候，遇到链接，则针对超链接发起下载图⽚的请求
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；
小学生个人简历模板下载
cookies：cookie⽤来保存登录信息
真正免费数据恢复软件
注意： ⼀般做爬⾍都会加上请求头
请求头需要注意的参数：
(1)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)
(2)User-Agent：访问的浏览器(要加上否则会被当成爬⾍程序)
(3)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
五、 响应Response
1、响应状态码
200：代表成功
301：代表跳转
404：⽂件不存在
403：⽆权限访问
502：服务器错误
2、respone header
响应头需要注意的参数：
(1)Set-Cookie:BDSVRTM=0; path=/：可能有多个，是来告诉浏览器，把cookie保存下来
(2)Content-Location：服务端响应头中包含Location返回浏览器之后，浏览器就会重新访问另⼀个页⾯
3、preview就是⽹页源代码
JSO数据
如⽹页html，图⽚
⼆进制数据等
六、总结
1、总结爬⾍流程：
爬取--->解析--->存储
2、爬⾍所需⼯具：
请求库：requests,selenium(可以驱动浏览器解析渲染CSS和JS，但有性能劣势(有⽤没⽤的⽹页都会加载)；)解析库：正则，beautifulsoup，pyquery
存储库：⽂件，MySQL，Mongodb，Redis
3、爬获校花⽹
最后送给⼤家点福利吧
常量打一成语基础版：
View Code
函数封装版
View Code
并发版(如果⼀共需要爬30个视频，开30个线程去做，花的时间就是 其中最慢那份的耗时时间)
View Code
涉及知识：多线程多进程
计算密集型任务：使⽤多进程，因为能Python有GIL，多进程可以利⽤上CPU多核优势；
IO密集型任务：使⽤多线程，做IO切换节省任务执⾏时间(并发)
线程池
参考博客：

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。