python爬⾍介绍_python爬⾍简介
初识Python爬⾍
互联⽹
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、什么是爬⾍
⽹络爬⾍(⼜被称为⽹页蜘蛛，⽹络机器⼈，在FOAF社区中间，更经常的称为⽹页追逐者)，是⼀种按照⼀定的规则，⾃动地抓取万维⽹信息的程序或者脚本。另外⼀些不常使⽤的名字还有蚂蚁、⾃动索引、模拟程序或者蠕⾍。
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；
php面试题及答案大全⼆、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
爬⾍要做的就是⽅式2；
其实，爬⾍的过程和浏览器浏览⽹页的过程是⼀样的。道理⼤家应该都明⽩，就是当我们在键盘上输⼊⽹址点击搜索之后，通过⽹络⾸先会经过DNS服务器，分析⽹址的域名，到了真正的服务器。然后我们通过HTTP协议对服务器发出GET或POST请求，若请求成功，我们就得到了我们想看到的⽹页，⼀般都是⽤HTML, CSS, JS等前端技术来构建的，若请求不成功，服务器会返回给我们请求失败的状态码，常见到的503，403等。
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)，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、、 request
1、请求⽅式：
2、请求的URL
url编码
3、请求头
4、请求体
请求体
总结爬⾍流程：
互联⽹
系统架构图详细说明
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、什么是爬⾍
⽹络爬⾍(⼜被称为⽹页蜘蛛，⽹络机器⼈，在FOAF社区中间，更经常的称为⽹页追逐者)，是⼀种按照⼀定的规则，⾃动地抓取万维⽹信息的程序或者脚本。另外⼀些不常使⽤的名字还有蚂蚁、⾃动索引、模拟程序或者蠕⾍。
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；
connectnamedpipefailed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
爬⾍要做的就是⽅式2；
爬⾍过程
其实，爬⾍的过程和浏览器浏览⽹页的过程是⼀样的。道理⼤家应该都明⽩，就是当我们在键盘上输⼊⽹址点击搜索之后，通过⽹络⾸先会经过DNS服务器，分析⽹址的域名，到了真正的服务器。然后我们通过HTTP协议对服务器发出GET或POST请求，若请求成功，我们就得到了我们想看到的⽹页，⼀般都是⽤HTML, CSS, JS等前端技术来构建的，若请求不成功，服务器会返回给我们请求失败的状态码，常见到的503，403等。
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)，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、、 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
match函数用来干嘛
⽹页的加载过程是：
加载⼀个⽹页，通常都是先加载document⽂档，
python请求并解析json数据在解析document⽂档的时候，遇到链接，则针对超链接发起请求
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；
cookies：cookie⽤来保存登录信息
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
oracle数据库语句查询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
总结爬⾍流程：
爬取—>解析—>存储

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。