注册

什么是爬虫?怎么样玩爬虫

Python爬虫入门:什么是爬虫?

看到上面的那只蜘蛛没?别误会,今天要教你如何玩上面的蜘蛛。我们正式从0到1轻松学会Python爬虫.......

爬虫特点概要

  • 知识碎片化

爬虫方向的知识是十分碎片化的,因为我们写爬虫的时候会面对各种各样的网站,每个网站实现的技术都是相似的,但是大多数时候还是有差别的,这就要求我们对不同的网站使用不同的技术手段。爬虫并不像在学习web的时候要实现某一功能只要按照一定的套路就能做出来。

  • 学习难度

爬虫的入门相对而言还是要比web简单,但是在后期,爬虫的难度要大于web。难点在于爬虫工程师与运维人员进行对抗,可能你写一个网站的爬虫,结果该网站的运维人员加了反爬的措施,那么作为爬虫工程师就要解决这个反爬。

  • 学习特点

学习爬虫并不像学习web,学习web有一个完整的项目可以练手,因为爬虫的特点,也导致学习爬虫是以某网站为对象的,可以理解为一个技术点一个案例。

爬虫的概念

模拟浏览器,发送请求,获取响应

网络爬虫(又被称为网页蜘蛛、网页机器人)就是模拟客户端(主要是指浏览器)发送请求,接收请求响应,按照一定规则、自动抓取互联网信息的程序。

  • 原则上,只要是浏览器能做的事情,爬虫都能做
  • 爬虫也只能获取浏览器所展示出来的数据

在浏览器中输入百度网址,打开开发者工具,点击network,点击刷新,即可进行抓包。


了解爬虫概念

爬虫的作用

爬虫在互联网中的作用

  • 数据采集
  • 软件测试
  • 网站投票
  • 网络安全

爬虫的分类

根据被爬网闸的数量不同,可以分为:

  • 通用爬虫,如搜索引擎
  • 聚焦爬虫,如12306抢票,或者专门抓取某一网站的某一类数据

根据是否以获取数据为目的,可以分为:

  • 功能性爬虫,给你喜欢的明星,投票点赞
  • 数据增量式爬虫,比如招聘信息

根据URL地址和对应页面内容是否改变,数据增量爬虫可以分为:

  • 基于URL地址变化,内容变化的增量式爬虫
  • URL地址不变,内容变化的数据增量式爬虫

爬虫分类


了解爬虫分类


爬虫流程

1、获取一个URL

2、向URL发送请求,并获取响应(http协议)

3、如果从响应中提取URL,则继续发送请求获取响应

4、如果从响应中获取数据,则数据进行保存


掌握爬虫流程


http以及https的概念和区别

在爬虫流程的第二步,向URL发送请求,那么就要依赖于HTTP/HTTPS协议。

HTTPS比HTTP更安全,但是性能更低

  • HTTP:超文本传输协议,默认端口为80
    。超文本:是指超过文本,不限于文本,可以传输图片、视频、音频等数据
    。传输协议:是指使用公共约定的固定格式来传递转换成字符串的超文本内容
  • HTTPS:HTTP+SSL(安全套接字),即带有安全套接字层的超文本传输协议,默认端口443
    。SSL对传输内容(超文本,也就是请求头和响应体)进行加密
  • 可以打开一个浏览器访问URL,右键检查,点击network,选择一个URL,查看HTTP协议的形式。

掌握http及https的概念和默认端口


爬虫特别注意的请求头

请求头与响应头

http请求形式如上图所示,爬虫要特别关注以下几个请求头字段

  • Content-Type
  • Host
  • Connection
  • Upgrade-Insecure-Requests(升级为https请求)
  • User-Agent(用户代理)
  • Referer
  • Cookie(保持用户状态)
  • Authorization(认证信息)


例如,使用浏览器访问百度进行抓包

当我点击view source的时候,就会出现另外一种格式的请求头,这个是原始的版本,如果没有点击view source的请求头格式是经过浏览器优化的。

爬虫特别注意的响应头

  • set-cookie

cookie是基于服务端生成的,在客户端头信息中,在第一次把请求发送到服务端,服务端生成cookie,存放到客户端,下次发送请求时会带上cookie。

常见的响应状态码

  • 200:成功
  • 302:跳转,新的URL在响应中的Location头中给出
  • 303:浏览器对于post响应进行重定向至新的URL
  • 307:浏览器对于get响应进行重定向至新的URL
  • 403:资源不可用,服务器理解客户端的请求,但拒绝处理它(没有权限)
  • 404:找不到页面
  • 500:服务器内部错误
  • 503:服务器由于维护或者负载过重未能应答。在响应中可能会携带Retry-After响应头,有可能是因为爬虫频繁访问URL,使服务器忽视爬虫的请求,最终返回503状态码

所有的状态码都不可信,一切要以抓包得到的响应中获取的数据为准

network中抓包得到的源码才是判断依据。element中的源码是渲染之后的源码,不能作为判断标准。


了解常见的响应状态码


http请求的过程

1、浏览器在拿到域名对应的IP之后,先向地址栏中的URL发起请求,并获取响应。

2、在返回响应内容(HTML)中,会带有CSS、JS、图片等URL地址,以及Ajax代码,浏览器按照响应内容中的顺序依次发送其他请求,并获取响应。

3、浏览器每获取一个响应就对展示出的结果进行添加(加载),JS、CSS等内容会修改页面内容,JS也可以重新发送请求,获取响应。

4、从获取第一个响应并在浏览器中展示,直到最终获取全部响应,并在展示结果中添加内容或修改,这个过程叫做浏览器的渲染

注意

在爬虫中,爬虫只会请求URL地址,对应的拿到URL地址对应的响应(该响应可以是HTML、CSS 、JS或是是图片、视频等等)。

浏览器渲染出来的页面和爬虫请求抓取的页面很多时候是不一样的,原因是爬虫不具有渲染功能。

  • 浏览器最终展示的结果是由多次请求响应共同渲染的结果
  • 爬虫只对一个URL地址发起请求并得到响应

理解浏览器展示的结果可以是多次请求响应共同渲染的结果,而爬虫是一次请求对应一个响应。

转载自: https://cloud.tencent.com/developer/article/1895395

0 个评论

要回复文章请先登录注册