成為Python高手必須懂的爬蟲(chóng)原理

互聯(lián)網(wǎng)是由一個(gè)個(gè)站點(diǎn)和網(wǎng)絡(luò)設(shè)備組成的大網(wǎng)，我們通過(guò)瀏覽器訪問(wèn)站點(diǎn)，站點(diǎn)把HTML、JS、CSS代碼返回給瀏覽器，這些代碼經(jīng)過(guò)瀏覽器解析、渲染，將豐富多彩的網(wǎng)頁(yè)呈現(xiàn)我們眼前。

一、爬蟲(chóng)是什么？

如果我們把互聯(lián)網(wǎng)比作一張大的蜘蛛網(wǎng)，數(shù)據(jù)便是存放于蜘蛛網(wǎng)的各個(gè)節(jié)點(diǎn)，而爬蟲(chóng)就是一只小蜘蛛，沿著網(wǎng)絡(luò)抓取自己的獵物（數(shù)據(jù)）爬蟲(chóng)指的是：向網(wǎng)站發(fā)起請(qǐng)求，獲取資源后分析并提取有用數(shù)據(jù)的程序。

從技術(shù)層面來(lái)說(shuō)就是 通過(guò)程序模擬瀏覽器請(qǐng)求站點(diǎn)的行為，把站點(diǎn)返回的HTML代碼/JSON數(shù)據(jù)/二進(jìn)制數(shù)據(jù)（圖片、視頻） 爬到本地，進(jìn)而提取自己需要的數(shù)據(jù)，存放起來(lái)使用；

二、爬蟲(chóng)的基本流程

用戶獲取網(wǎng)絡(luò)數(shù)據(jù)的方式：

方式1：瀏覽器提交請(qǐng)求--->下載網(wǎng)頁(yè)代碼--->解析成頁(yè)面

方式2：模擬瀏覽器發(fā)送請(qǐng)求(獲取網(wǎng)頁(yè)代碼)->提取有用的數(shù)據(jù)->存放于數(shù)據(jù)庫(kù)或文件中

爬蟲(chóng)要做的就是方式2。

1、發(fā)起請(qǐng)求

使用http庫(kù)向目標(biāo)站點(diǎn)發(fā)起請(qǐng)求，即發(fā)送一個(gè)Request

Request包含：請(qǐng)求頭、請(qǐng)求體等

Request模塊缺陷：不能執(zhí)行JS 和CSS 代碼

2、獲取響應(yīng)內(nèi)容

如果服務(wù)器能正常響應(yīng)，則會(huì)得到一個(gè)Response

Response包含：html，json，圖片，視頻等

3、解析內(nèi)容

解析html數(shù)據(jù)：正則表達(dá)式（RE模塊），第三方解析庫(kù)如Beautifulsoup，pyquery等

解析json數(shù)據(jù)：json模塊

解析二進(jìn)制數(shù)據(jù):以wb的方式寫(xiě)入文件

4、保存數(shù)據(jù)

數(shù)據(jù)庫(kù)（MySQL，Mongdb、Redis）

文件

三、http協(xié)議 請(qǐng)求與響應(yīng)

Request：用戶將自己的信息通過(guò)瀏覽器（socket client）發(fā)送給服務(wù)器（socket server）

Response：服務(wù)器接收請(qǐng)求，分析用戶發(fā)來(lái)的請(qǐng)求信息，然后返回?cái)?shù)據(jù)（返回的數(shù)據(jù)中可能包含其他鏈接，如：圖片，js，css等）

ps：瀏覽器在接收Response后，會(huì)解析其內(nèi)容來(lái)顯示給用戶，而爬蟲(chóng)程序在模擬瀏覽器發(fā)送請(qǐng)求然后接收Response后，是要提取其中的有用數(shù)據(jù)。

四、 request

1、請(qǐng)求方式：

常見(jiàn)的請(qǐng)求方式：GET / POST

2、請(qǐng)求的URL

url全球統(tǒng)一資源定位符，用來(lái)定義互聯(lián)網(wǎng)上一個(gè)唯一的資源 例如：一張圖片、一個(gè)文件、一段視頻都可以用url唯一確定

url編碼

https://www.baidu.com/s?wd=圖片

圖片會(huì)被編碼（看示例代碼）

網(wǎng)頁(yè)的加載過(guò)程是：

加載一個(gè)網(wǎng)頁(yè)，通常都是先加載document文檔，

在解析document文檔的時(shí)候，遇到鏈接，則針對(duì)超鏈接發(fā)起下載圖片的請(qǐng)求

3、請(qǐng)求頭

User-agent：請(qǐng)求頭中如果沒(méi)有user-agent客戶端配置，服務(wù)端可能將你當(dāng)做一個(gè)非法用戶host；

cookies：cookie用來(lái)保存登錄信息

注意：一般做爬蟲(chóng)都會(huì)加上請(qǐng)求頭

請(qǐng)求頭需要注意的參數(shù)：

（1）Referrer：訪問(wèn)源至哪里來(lái)（一些大型網(wǎng)站，會(huì)通過(guò)Referrer 做防盜鏈策略；所有爬蟲(chóng)也要注意模擬）

（2）User-Agent:訪問(wèn)的瀏覽器（要加上否則會(huì)被當(dāng)成爬蟲(chóng)程序）

（3）cookie：請(qǐng)求頭注意攜帶

4、請(qǐng)求體

如果是get方式，請(qǐng)求體沒(méi)有內(nèi)容 （get請(qǐng)求的請(qǐng)求體放在 url后面參數(shù)中，直接能看到）如果是post方式，請(qǐng)求體是format data

ps：

1、登錄窗口，文件上傳等，信息都會(huì)被附加到請(qǐng)求體內(nèi)

2、登錄，輸入錯(cuò)誤的用戶名密碼，然后提交，就可以看到post，正確登錄后頁(yè)面通常會(huì)跳轉(zhuǎn)，無(wú)法捕捉到post

五、 響應(yīng)Response

1、響應(yīng)狀態(tài)碼

200：代表成功

301：代表跳轉(zhuǎn)

404：文件不存在

403：無(wú)權(quán)限訪問(wèn)

502：服務(wù)器錯(cuò)誤

2、respone header

響應(yīng)頭需要注意的參數(shù)：

（1）Set-Cookie:BDSVRTM=0; path=/：可能有多個(gè)，是來(lái)告訴瀏覽器，把cookie保存下來(lái)

（2）Content-Location：服務(wù)端響應(yīng)頭中包含Location返回瀏覽器之后，瀏覽器就會(huì)重新訪問(wèn)另一個(gè)頁(yè)面

3、preview就是網(wǎng)頁(yè)源代碼

JSO數(shù)據(jù)

如網(wǎng)頁(yè)html，圖片

二進(jìn)制數(shù)據(jù)等

六、總結(jié)

1、總結(jié)爬蟲(chóng)流程：

爬取--->解析--->存儲(chǔ)

2、爬蟲(chóng)所需工具：

請(qǐng)求庫(kù)：requests,selenium（可以驅(qū)動(dòng)瀏覽器解析渲染CSS和JS，但有性能劣勢(shì)（有用沒(méi)用的網(wǎng)頁(yè)都會(huì)加載）；）解析庫(kù)：正則，beautifulsoup，pyquery存儲(chǔ)庫(kù)：文件，MySQL，Mongodb，Redis

基于搜狗微信搜索的微信公眾號(hào)爬蟲(chóng)接口，可以擴(kuò)展成基于搜狗搜索的爬蟲(chóng)，返回結(jié)果是列表，每一項(xiàng)均是公眾號(hào)具體信息字典。

DouBanSpider [2]- 豆瓣讀書(shū)爬蟲(chóng)。可以爬下豆瓣讀書(shū)標(biāo)簽下的所有圖書(shū)，按評(píng)分排名依次存儲(chǔ)，存儲(chǔ)到Excel中，可方便大家篩選搜羅，比如篩選評(píng)價(jià)人數(shù)>1000的高分書(shū)籍；可依據(jù)不同的主題存儲(chǔ)到Excel不同的Sheet ，采用User Agent偽裝為瀏覽器進(jìn)行爬取，并加入隨機(jī)延時(shí)來(lái)更好的模仿瀏覽器行為，避免爬蟲(chóng)被封。