爬虫入门教程 —— 1
爬虫入门教程 -1
很想做一些爬虫的基础性的教程,来与大家共同分享我的一些小经验, 我将以我认为的方式为大家讲解网络爬虫,如果你没有编程基础,对网络爬虫有兴趣,开始可能稍微有一些小难度,不过我希望能给你带来一些帮助。对我来说同样也是相互学习。。
工具 : 1 大家需要在电脑上安装Python3.x版本 我们以Python3 为例子讲解。安装方式百度一下按照步骤做就可以,安 装时候遇到的问题也可以百度的到,你遇到的这些问题小白都遇到过,特别的正常
2 关于IDE(集成开发环境)的选择 我建议大家使用pycham 至于什么是IDE。就是我们写代码的地方,它提供了 代码高 亮,代码报错,代码的搜索等等非常方便的功能。
3 我用的操作系统是liunx ,大家可以使用windows
4 你可能用的是IE浏览器 ,看到这里我希望你能安装chrome 或者火狐浏览器
本套教程主要用的编程语言是Python
第一节 认识网络爬虫
本节我主要是带领大家了解认识网络爬虫
什么是网络爬虫?
除了百度百科所讲,通俗来讲,我平时浏览的页面大都是HTML页面,包括我们平时浏览的新闻,门户网站等都是将文字内容镶嵌在HTML代码中的,比如腾讯新闻的这篇文章:
爬虫要做的可以简单理解为利 用程序来获取我们需要的网络上的内容,包括文字,视频,图片等信息 称之为 数据。
你可能会说 真low 老子分分钟复制粘贴好几篇,辣鸡---##---。您说的有道理但是,你想如果是10w篇呢,甚至100w呢,你还分分钟复制粘贴吗,程序可以做到将这写数据下载下来或者是保存到数据库中这些---------
为什么要做网络爬虫?
数据 你感觉重要不重要? '大数据时代',获取数据方式有哪些?
企业产生的数据
:百度搜索指数、腾讯公司业绩数据、阿里巴巴集团财务及运营数据、新浪微博微指数等...
数据平台购买数据
:数据堂、国云数据市场、贵阳大数据交易所 等等
爬取网络数据
:如果数据市场上没有需要的数据,或者价格太高不愿意购买,那么可以利用爬虫技术,抓取网站上的数据。
我们对于爬虫其实我们经常与它打交道,百度 谷歌,雅虎,等就是大爬虫, 他们有个响当当的名字------搜索引擎
搜索引擎可以说是爬虫的至高境界--- 你修炼到这个境界今年是不可能了,当然明年也不肯可能。
你可能要问了,那百度为什么搜索的时候搜不到数据,都是官网,打开才可以进去,像搜索引擎不会像个人写的爬虫程序一样无脑,因为他们要遵循一个 协议: 如标注为nofollow
的链接,或者是Robots
协议。
这些协议注明了那些页面是爬虫可以访问的,哪些是不可以访问的。如:
淘宝网:https://www.taobao.com/robots.txt
腾讯网: http://www.qq.com/robots.txt
搜索引擎通过爬虫爬取到的网页,将数据存入原始页面数据库。其中的页面数据与用户浏览器得到的HTML是完全一样的。
搜索引擎蜘蛛在抓取页面时,也做一定的重复内容检测,一旦遇到访问权重很低的网站上有大量抄袭、采集或者复制的内容,很可能就不再爬行。
别激动 我们做的是小爬虫,也称聚焦爬虫,即你想爬哪些数据,找到网址,分析规则然后写程序取抓取数据,当然不同网站的难易程度是不一样的。
首先你要知道 当你点击一下百度,发生了什么,能把你想要的数据返回到你的电脑屏幕上
简单来说这段过程发生了以下四个步骤:
浏览器通过 DNS服务器 查找域名对应的 IP地址;
向 IP地址 对应的 Web服务器 发送请求;
Web服务器 响应请求,发回 HTML页面;
浏览器解析 HTML内容,并显示出来。
HTTP和HTTPS
HTTP协议
(HyperText Transfer Protocol,超文本传输协议):是一种发布和接收 HTML页面的方法。
HTTPS
(Hypertext Transfer Protocol over Secure Socket Layer)简单讲是HTTP的安全版,在HTTP下加入SSL层。
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。
HTTP
的端口号为80
,HTTPS
的端口号为443
HTTP工作原理
网络爬虫抓取过程可以理解为模拟浏览器操作的过程
。
浏览器的主要功能是向服务器发出请求,在浏览器窗口中展示您选择的网络资源,HTTP是一套计算机通过网络进行通信的规则
浏览器发送HTTP请求的过程:
当用户在浏览器的地址栏中输入一个URL地址并按回车键之后,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。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。
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文件等。
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。
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
HTTP请求主要分为Get
和Post
两类:
GET是从服务器上获取指定页面信息,POST是向服务器提交数据并获取页面信息。
GET请求参数都显示在URL上,服务器根据该请求所包含URL中的参数来产生响应内容。 'Get' 请求的参数 是URL的一部分。
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,通常用来向HTTP服务器提交量比较大的数据(比如请求中包含许多参数或者文件上传操作等)。 'POST'请求的参数 不在URL中,而在请求体中。
get请求的参数都在网址里面包含,所以我们有时候看到一个网址特别长,后边带了一坨东西。post请求一般是用于表单提交,将账号密码以post的方式发送。
当你任意点开客户端与服务期的一次信息交互,你会看到它访问客户端携带的参数也就是头部信息:request headers (常用) 以及客户端的回应response headers
前边说过了,我们鼠标每点击一次,就是对服务器发送了一次请求,等待服务器给你响应
当我们打开一个网页,右键点击选择查看源代码是可以查看源代码的,点击审查元素 和检查元素,就可以对客户端与服务器之间的信息交流进行查看如图:
第一个箭头指向的位置 —点击一下,然后点击文章相应位置,它会指向代码中内容的位置,可以帮助我们查看数据在网页中的结构和位置
第二给箭头是网络 — 点击network ,重新刷新页面,你会看到客户端和服务器之间的数据来往,也是我们今后用的最多的
第三个箭头 是 —all是所有的数据来往,xhr一般ajax加载的数据会在这里面找到,js是js的一些请求,里面也有我们要的数据,少数
下边方框里面 分别是 name status(状态码) type size 等 了解一下即可,状态 200是正常,其他异常状态码可以百度,size点击可以按大小排列 这个后边还是挺方便的
其他的我们后边在做详细的讲解,大家可以先找个网页尝试一下。(其中有不明白的 可以自行百度)
第一节课程到这里也就结束了 ,今天先带大家认识爬虫,做一个简单的了解,明天开始我们开始下一章了,对于Python基础不了解的同学,可以看廖雪峰老师的讲解 百度 廖雪峰Python
在这套教程中我们将逐步共同学习:
1. Python基础语法学习(基础知识) # 这个我们暂时不讲
2. 对HTML页面的内容抓取(Crawl)
3. 对HTML页面的数据解析(Parse)
4. 动态HTML的处理/验证码的处理
5. Scrapy框架