网络爬虫基本认知

2018-12-23  本文已影响0人  瘦不下去了

1.什么是爬虫

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。通俗的讲： 就是模拟客户端发起网络请求，接收请求的响应，按照一定的规则，自动的抓取互联网信息的程序。

2.爬虫的基本流程

1. 分析网站，得到目标url
2. 根据url,发起请求,获取页面的HTML源码
3. 从页面源码中提取数据
　a.提取到目标数据,做数据的赛选和持久化存储
　b.从页面中提取到新的url地址,继续执行第二部操作
4. 爬虫结束：所有的目标url都提取完毕,并且得到数据了,再也没有其他请求任务了,这是意味着爬虫结束

3.网页的三大特征

1. 每一个网页都有一个唯一的url(统一资源定位符),来进行定位
2.网页都是通过HTML(超文本)文本展示的
3.所有的网页都是通过HTTP＜超文本传输协议＞(HTTPS)协议来传输的

4.通用爬虫和聚焦爬虫

通用网络爬虫 是 捜索引擎抓取系统（Baidu、Google、Yahoo等）的重要组成部分。主要目的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
聚焦爬虫，是"面向特定主题需求"的一种网络爬虫程序，它与通用搜索引擎爬虫的区别在于:聚焦爬虫在实施网页抓取时会对内容进行处理筛选，尽量保证只抓取与需求相关的网页信息。

5.Robot.txt 是什么，里面的参数是什么意思

Robots协议：（也叫爬虫协议、机器人协议等），全称是“网络爬虫排除标准”（Robots Exclusion Protocol），网站通过Robots协议告诉搜索引擎哪些页面可以抓取，哪些页面不能抓取
User-agent:(识别是哪家的爬虫)
Allow:　(允许爬取的目录)
Disallow:（不允许爬取的目录）

6.七层协议

（从上到下）
应用层：为用户的应用程序提供网络服务的（http,https,ftp....）
表示层：负责端到端的数据信息可以被另一个主机所理解和识别,并且按照一定的格式将信息传递到会话层
会话层：会话层是管理主机之间的会话进程，负责建立，管理，和终止会话进程
传输层：进行数据传输的（TCP UDP）
网络层：路由器
数据链路层：网桥,交换机
物理层：网线网卡，集线器，中继器

7.http和https协议

HTTP协议（HyperText Transfer Protocol）中文名叫超文本传输协议： 是用于从网络传送超文本数据到本地浏览器的传送协议
HTTPS协议（Hypertext Transfer Protocol over Secure Socket Layer）简单讲是HTTP的安全版，在HTTP协议的基础上加入SSL层(HTTP+SSL) 。 SSL（Secure Sockets Layer 安全套接层）主要用于Web的安全传输协议，在传输层对网络连接进行加密，保障在Internet上数据传输的安全

8.url的基本组成部分

URI(Uniform Resource Identifier):统一资源标识符
URL（Uniform / Universal Resource Locator的缩写）：统一资源定位符，是用于完整地描述Internet上网页和其他资源的地址的一种标识方法。
URN(Universal Resource Name):统一资源名称，只命名资源而不指定如何定位资源

9.发起一个请求的基本流程

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（会先经过DNS服务将域名解析为ip），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请求去获取 http://www.baidu.com 的html文件，服务器把Response文件对象发送回给浏览器。
3.浏览器分析Response中的 HTML，发现其中引用了很多其他文件，比如Images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，完整的显示出来了。

10.get请求和post请求的区别

1.GET是从服务器上获取数据，POST是向服务器传送数据
2.GET请求参数都显示在浏览器网址上，POST请求参数在请求体当中，消息长度没有限制而且以隐式的方式进行发送

11.请求头参数和响应头里面的参数

12.请求常见的状态码

1. 100~199：表示服务器成功接收部分请求，要求客户端继续提交其余请求才能完成整个处理过程
2. 2xx：表示服务器成功接收请求并已完成整个处理过程。200（OK 请求成功)
3.3xx：为完成请求，客户需进一步细化请求。例如：请求的资源已经移动一个新地址、 常用。301: 永久重定向；302: 临时重定向（所请求的页面已经临时转移至新的url）
4. 4xx：客户端的请求有错误。
400:错误请求，服务器无法解析请求；
401:未授权，没有进行身份验证；
403:服务器拒绝访问；
404:服务器无法找到被请求的网页；
405:请求方式不被允许；408:请求超时
5. 5xx:服务器端出现错误。
500:服务器内部错误；
501:服务器不具备完成请求的功能；
503:服务器不可用

13.bytes类型和str字符串类型的相互转换，bytes和bytearray的区别

str类型使用encode方法转化为bytes类型 bytes类型通过decode转化为str类型
bytearray和bytes不一样的地方在于，bytearray是可变的

14.如何发起一个get请求

使用urllib发起请求：from urllib import request
输入目标url地址：url = 'http://www.baidu.com/'
使用urlopen方法模拟浏览器发起请求：response = request.urlopen(url)
从response响应结果中获取状态码：code = response.status
获取页面源码的二进制数据：b_html = response.read()
获取响应的响应头部(Response Headers)：res_headers = response.getheaders()
获取响应头中指定参数的值：cookie_data = response.getheader('Set-Cookie')
reason返回一个响应结果的原因：reason = response.reason

15.urllib模块的基本使用

urlopen()的使用:
1.request.urlopen():使用URLopen方法模拟浏览器发起请求

1.request.urlopen():使用URLopen方法模拟浏览器发起请求
 # 目标url
url = 'http://www.baidu.com/'
# request.urlopen():使用URLopen方法模拟浏览器发起请求
response = request.urlopen(url)
"""
url,请求目标url地址
data=None,默认情况下为none,表示发起的是get请求,不为None,则发起的是一个post请求
timeout,设置请求的超时时间
cafile=None,设置证书
cadefault=False,是否要使用默认证书(默认为false)
context=None:是一个ssl值,表示忽略ssl认证
"""
html = response.read()
z_html = html.decode()
print(z_html)
#是一个ssl值,表示忽略ssl认证(如果请求出现了ssl证书认证错误,
#我们就需要设置ssl._create_unverified_context(),忽略证书认证)
content = ssl._create_unverified_context()
response = request.urlopen(url,timeout=10,context=content)
#从response响应结果中获取参数
#状态码
code = response.status
print(code)
#获取页面源码的二进制数据
b_html = response.read()
print(type(b_html),len(b_html))
#获取响应的响应头部(response headers)
res_headers = response.getheaders()
print(res_headers)
#获取响应头中指定参数的值
cookie_data = response.getheader('Set-Cookie')
print(cookie_data)
#reason返回一个响应结果的原因
reason = response.reason
print(reason)

#需要先构建一个request对象
"""
url:发起请求的url地址
data=None, 默认情况为None,表示发起的是一个get请求,不为None,则发起的是一个post请求
headers={},设置请求头（headers对应的数据类型是一个字典）
origin_req_host=None, (指定发起请求的域)
unverifiable=False,忽略SSL认证
method=None：指定发起请求的方式
"""
req_header = {
    'User-Agent':'Mozilla/5.0 (X11; Linux x86_64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/67.0.3396.99 Safari/537.36'
}
# url作为Request()方法的参数，构造并返回一个Request对象
req = request.Request(url,headers=req_header)

#根据构建的req请求对象发起请求
response = request.urlopen(req)

from urllib import request
import random
# 使用随机ua发起请求
USER_AGDNTS = [
    'Mozilla/5.0 (X11; Linux x86_64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/67.0.3396.99 Safari/537.36',
    'Mozilla/5.0 (X11; Ubuntu; Linux x86_64; rv:64.0) Gecko/20100101 Firefox/64.0',
    'Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/535.1 (KHTML, like Gecko) Chrome/14.0.835.163 Safari/535.1',
    'Mozilla/5.0 (Windows NT 6.1; WOW64; rv:6.0) Gecko/20100101 Firefox/6.0',
]

url = 'http://www.baidu.com/'
#携带请求头,需要先创建一个Request对象
# url,:发起请求的url
# data=None, :默认为None,表示一个get请求
# headers={}:设置请求头，对应的是一个字典类型的参数
req_header = {
    'User-Agent':random.choice(USER_AGDNTS)
}
#构建一个request对象
req = request.Request(url,headers=req_header)

#根据Request对象发起请求
response = request.urlopen(req)


from fakeuseragent import UserAgent
#实例化一个UA
user_agent = UserAgent()

#获取google浏览器的ua
print(user_agent.chrome)
#获取火狐浏览器的ua
print(user_agent.firefox)
#获取safar浏览器的ua
print(user_agent.safari)



# urllib.error:在发起请求过程中,可能会因为各种情况
# 导致请求出现异常,因而导致代码崩溃,所以要处理这些异常请求
from urllib import error,request

#error.URLError

def check_urlerror():
    '''
    1.没有网络
    2.服务器连接失败
    3.找不到指定服务器
    :return:
    '''
    url = 'http://www.baiduxxx.com/'
    try:

        response=request.urlopen(url,timeout=0.01)
        print(response.status)
    except error.URLError as err:
        # [Errno -2] Name or service not known   未知服务器
        # [Errno -3] Temporary failure in name resolution  没网
        # time out 请求超时
        print(err.reason)
check_urlerror()

# error.HTTPError 是 URLError的子类

def check_httperror():
    url = 'https://www.qidian.com/all/nsacnscn.htm'
    try:
        response = request.urlopen(url)
        print(response.status)
    except error.HTTPError as err:
        # httperror的三个属性
        # 返回错误原因
        print(err.reason)
        # 状态码
        print(err.code)
        # 响应头
        print(err.headers)
    except error.URLError as err:
        print(err.reason)
check_httperror()


# urllib的parse模块主要是实现url解析,合并,编码,解码
from urllib import parse

# 实现了url的识别和分段
url = 'httpsL://www.1712B.com/daxuesheng?name=zs#123'
'''
url:要解析和拆分的url
scheme='':设置协议,只有在url没有协议的情况下才会生效
allow_fragments=True:是否忽略锚点,默认为True表示不忽略
'''

result=parse.urlparse(url)
'''
(scheme='https'（协议）, netloc='www.1712B.com'（域）, 
path='/daxuesheng'（路径）, params=''（可选参数）, 
query='name=zhangsan'（查询参数）, fragment='123'（锚点）)
'''
# 取出拆分后的某一个参数
print(result.scheme)
# 可以实现url的组合
data = [sub_str for sub_str in result]
print('-------',data)
full_url=parse.urlunparse(data)
print(full_url)

# parse.urljoin需要传递一个基类url,根据基类将某一个不完整的url拼接完整
sub_url = '/p/12345'
base_url= 'httpsL://www.1712B.com/daxuesheng?name=zs#123'
full_url=parse.urljoin(base_url,sub_url)
print(full_url)

# 将字典类型参数,序列化为url的编码格式的字符串
parmars = {
    'name':'张三',
    'class':'1712B'
}
result = parse.urlencode(parmars)
print('urlencode',result)

# 反序列化,将url编码格式的字符串,转为字典类型
result = parse.parse_qs(result)
print('parse.parse_qs',result)

# 可以将中文字符,转为url编码格式
kw = '刚刚'
result=parse.quote(kw)
print('quote',result)

# 将url编码进行解码
result = parse.unquote(result)
print(result)

# 最常用的 urljoin,urlencode两个方法

16.正则

.:表示匹配除了换行符之外的任意字符
\:转义字符
[a - z]: 匹配a - z里面的任意一个字符

\d: 匹配数字 -> [0 - 9]
\D:　匹配非数字　[ ^\d]
\s: 匹配空白字符（空格,\n,\t...）
\S: 匹配非空白字符　
\w: 匹配单词字符　[A - Za - z0 - 9_]
\W:　匹配非单子字符

^:匹配以．．．开头
$:匹配以....结尾

(): 分组
|:或

多字符匹配
＊：匹配＊前面的字符任意次数
+:　匹配＋号前面的字符至少１次
？: 匹配？前面的字符０次或1次
{m}: 匹配
{m}
前面的字符m次
{m, n}: 匹配
{m, n}
前面的字符m
~n次

非贪婪匹配
* ?
+?
??
{m, n}?
'''
import re

#把正则表达式构建为一个pattern对象
sub_str = 'abcdefabcd'
pattern = re.compile('b')
#从字符串的起始位置开始匹配,开头就必须符合正则规则,
# 如果匹配到结果了返回结果,如果匹配不到返回None,单次匹配
result = re.match(pattern,sub_str)
print(type(result))
if result:
    print(result.group())

#在整个字符串中进行匹配,同样是单次匹配，匹配到结果立即返回
#匹配不到则返回None
result = re.search(pattern,sub_str)
print(result.group())

# 再整个字符串中进行匹配，匹配出所有符合正则规则的结果，
# 以列表的形式返回
result = re.findall(pattern,sub_str)
print(result)

#再整个字符串中进行匹配，匹配出所有符合正则规则的结果，
#但是返回的是一个迭代器
result = re.finditer(pattern,sub_str)
# <class 'callable_iterator'>
print(type(result))
for note in result:
    #<class '_sre.SRE_Match'>
    print(type(note))
    print(note.group())
#替换re.sub()
url = 'http://www.baidu.com/s?kw=aaa&pn=20'
# pattern, \正则规则
# repl, \要替换的字符串
# string,原始字符串
pattern = re.compile('pn=\d+')
result = re.sub(pattern,'pn=30',url)
print(result)

#分割re.split()
pattern = re.compile('[=:&]')
#pattern, string
result = re.split(pattern,url)
print(result)

17.cookiejar使用

# 使用cookiejar的目的:管理cookiejar,保存cookie值,
# 一旦储存cookie后,下一次发起请求的时候就会携带cookie
# cookie是保存在内存里面的,最后会进行垃圾回收,
from urllib import request,parse
from http.cookiejar import CookieJar

#创建cookiejar对象,目的如上
cookie_jar = CookieJar()

# 自定义HTTPCookieProcessor创建handler处理器
handler=request.HTTPCookieProcessor(cookie_jar)

# 自定义opener
opener = request.build_opener(handler)

18.urllib下使用代理

19.requests简单使用

Requests 继承了urllib的所有特性。Requests支持HTTP连接保持和连接池，支持使用cookie保持会话，支持文件上传，支持自动确定响应内容的编码，支持国际化的URL和 POST 数据自动编码。

# requsets模块:是对urllib的封装,可以实现urllib的所有功能
# 并且api调用更加简单方便

import requests


# url = 'http://www.baidu.com/'
url = 'http://www.sina.com/'
# url 要请求的url目标
# parms: get请求后面要拼接的参数
'''
    :param method: 要发起什么类型的请求
    :param url: 要请求的目标url
    :param params: get 后面要拼接的参数
    :param data: Dictionary, post请求的表单数据
    :param json: 传递json数据跟上面的data效果一样
    :param headers: (optional) Dictionary 请求头.
    :param cookies: (optional) Dict or CookieJar object (设置cookies信息模拟用户请求)
    :param files: 上传文件      
    :param auth: 网站要验证的信息(账号和密码).
    :param timeout:设置请求超时时间 (optional)  
    :type allow_redirects: bool,是否允许重定向
    :param proxies: (optional) Dictionary(设置代理) 
    :param verify:  Defaults to ``True``.(忽略认证证书,默认为True表示不忽略)
    
'''
# response = requests.get(url)

req_header = {
    'User-Agent':'Mozilla/5.0 (Macintosh; Intel Mac OS X 10.12; rv:59.0) Gecko/20100101 Firefox/59.0'
}
parmars = {
    'wd':'豆瓣',
}
response = requests.get(url,params=parmars,headers=req_header)

# 从响结果中获取的信息
# (这里得到解码后的字符串)
html = response.text
# 如果使用response.text出现乱码
# 方式一 response.content.decode('')
# 方式二 response.encoding=''设置编码类型
# 获取bytes类型数据
b_html = response.content
# 获取状态码
code = response.status_code
# 获取响应头
response_header = response.headers
# 获取请求头
req_headers=response.request.headers
# 当前请求url地址
current = response.url
#response.json():可以将json字符串转为python数据类型

19.Xpath与lxml

xpath:可以在xml中查找信息,对xml文档中的元素进行属性的提取
xml:设计目的是为了传输数据,结构和html相像,是一种标记语言

xpath常见语法:
nodename : 选取此节点的所有子节点
/  : 从根节点开始查找
//  : 匹配节点不考虑节点的位置
.  : 选取当前节点
..  : 选取当前节点的父节点
a/@href   : 取标签数据
a/text() : 取标签文本
a[@class='123']  :  根据class属性寻找标签
a[@id='123']    : 根据id属性寻找标签
a[@id='123'][last()] : 取最后一个id为123 的 a标签
a[@id='123'][postion()<2]  : 取前两个id为123的 a标签
上一篇 下一篇

猜你喜欢

热点阅读