python 爬虫原理

简单来说互联网是由一个个站点和网络组成的大网，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是一张蜘蛛网，数据便是存放在蜘蛛网的各个节点，而爬虫就是一直小蜘蛛，

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的数据的程序。

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：

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

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，会解析器内容来显示给用户，而爬虫程序在模拟浏览器请求然后接收Response后，是要提取其中的有用的数据。

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

https：//www.baidu.com/s?wd=图片

图片会被编码

网页加载过程第：

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，遇到连接，则针对超链接发起下载图片的请求

3、请求头

User-agent：请求头如果没有 user-agent客户端配置，服务端可能将妮当做一个非法用户host；

cookies：cookies用来保存登陆信息

注意：一般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怕成程序）

（3）cookies：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 后面的参数中，直接能看到）

　　如果是post方式：请求体是 format data

　　PS：

　　　　1、登陆窗口，文件上传等，信息都会被附加到请求体内

　　　　2、登陆，输入错误的用户名密码，然后提交，就可以看到 post，正确登陆后页面同城会跳转，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：无权访问

　　502：服务器错误

2、response header

响应头需要注意的参数：

（1）Set-Cookies：BDSVRTM=0;path=/：可能有多个，是来告诉浏览器，把cookies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

JSON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】

参考博客：

　　https://www.cnblogs.com/sss4/p/7809821.html