1、什么是爬虫
爬虫(spider，又网络爬虫)，是指向网站/网络发起请求，获取资源后分析并提取有用数据的程序。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。

2、入门爬虫的干货
2.1： 爬虫的基本思路

· 通过URL或者文件获取网页，

· 分析要爬取的目标内容所在的位置

· 用元素选择器快速提取(Raw) 目标内容

· 处理提取出来的目标内容 （ 通常整理合成一个 Json）

· 存储处理好的目标内容 （比如放到 MongoDB 之类的数据库，或者写进文件里。）

robots协议：

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，但它仅仅是道德层面上的约束

爬虫的用途：

1、12306抢票

2、短信轰炸

3、网络投票

4、监控数据

5、下载图片、小说、视频、音乐等

发送请求，获取响应的过程其实就是发送Http或者Https请求和响应的过程。

HTTP

超文本传输协议

默认端口号:80

HTTPS

HTTP + SSL(安全套接字层)，即带有安全套接字层的超本文传输协议

默认端口号：443

作用：在传输过程中对数据进行加密，防止被窜改

区别：http因不需要加密，所以性能更高，但安全性差。https安全性高，但是占用服务器资源

但是Https是未来的主流，比如小程序、ios、android客户端的接口都需要Https接口支持

户端的接口都需要Https接口支持

Http请求报文：

常见请求头：

Http状态码

常见的 HTTP 状态码：

200 - 请求成功

301 - 资源（网页等）被永久转移到其它 URL

404 - 请求的资源（网页等）不存在

500 - 内部服务器错误

Chrome浏览器请求分析

分析流程图

以上都是爬虫的预备知识，掌握了之后就可以写代码去爬取我们想要爬的网站了。Python提供了许多网络请求的库，比如Requests、urllib等，这里只说一下requests库

Requests库

安装：pip(3) install requests

基本使用：

# 导入模块import requests# 定义请求地址url = 'http://www.baidu.com'# 发送 GET 请求获取响应response = requests.get(url)# 获取响应的 html 内容html = response

response常用属性：

常用属性：

· response.text 返回响应内容，响应内容为 str 类型

· respones.content 返回响应内容,响应内容为 bytes 类型

· response.status_code 返回响应状态码

· response.request.headers 返回请求头

· response.headers 返回响应头

· response.cookies 返回响应的 RequestsCookieJar 对象

# 获取字节数据content = response.content# 转换成字符串类型html = content.decod

自定义请求头

# 导入模块import requests# 定义请求地址url = 'http://www.baidu.com'# 定义自定义请求头headers = { "User-Agent":"Mozilla/5.0 (Macintosh; Intel Mac OS X 10_14_0) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/71.0.3578.98 Safari/537.36"}# 发送自定义请求头response = requests.get(url,headers=headers)# 获取响应的 html 内容html

发送Get请求

# 导入模块import requests# 定义请求地址url = 'http://www.baidu.com/s'# 定义自定义请求头headers = { "User-Agent":"Mozilla/5.0 (Macintosh; Intel Mac OS X 10_14_0) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/71.0.3578.98 Safari/537.36"}# 定义 GET 请求参数params = { "kw":"hello"}# 使用 GET 请求参数发送请求response = requests.get(url,headers=headers,params=params)# 获取响应的 html 内容

发送POST请求

# 导入模块import requests# 定义请求地址url = 'http://www.baidu.com'# 定义自定义请求头headers = { "User-Agent":"Mozilla/5.0 (Macintosh; Intel Mac OS X 10_14_0) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/71.0.3578.98 Safari/537.36"}# 定义post请求参数data = { "kw":"hello"}# 使用 POST 请求参数发送请求response = requests.post(url,headers=headers,data=data)# 获取响应的 ht

使用代理

为什么使用代理：1、让服务器以为请求是从多个客户端发出的。2、防止暴露我们的真实地址

使用方法

# 导入模块import requests# 定义请求地址url = 'http://www.baidu.com'# 定义自定义请求头headers = { "User-Agent":"Mozilla/5.0 (Macintosh; Intel Mac OS X 10_14_0) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/71.0.3578.98 Safari/537.36"}# 定义 代理服务器proxies = { "http":"http://IP地址:端口号", "https":"https://IP地址:端口号"}# 使用 POST 请求参数发送请求response = requests.get(url,headers=headers,proxies=proxies)# 获取响应的 html 内容html = response.text

请求中携带cookie

作用：有些网站需要登录，这时候cookie就是记录了你的用户信息

方式：

· 直接在自定义请求头中携带

· 通过请求参数携带cookie

# 导入模块import requests# 定义请求地址url = 'http://www.baidu.com'# 定义自定义请求头headers = { "User-Agent":"Mozilla/5.0 (Macintosh; Intel Mac OS X 10_14_0) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/71.0.3578.98 Safari/537.36" # 方式一：直接在请求头中携带Cookie内容 "Cookie": "Cookie值"}# 方式二：定义 cookies 值cookies = { "xx":"yy"}# 使用 POST 请求参数发送请求response = requests.get(url,headers=headers,cookies=cookies)# 获取响应的 html 内容html = response.te

数据提取

作用：从爬虫获取的数据中提取出我们想要的数据

方式：

式：

· json模块提取

· xpath提取

· 正则提取

json

JSON(JavaScript Object Notation) 是一种轻量级的数据交换格式

是一种轻量级的数据交换格式

· json.loads json字符串 转 Python数据类型

· json.dumps Python数据类型 转 json字符串

· json.loa

· json.dump Python数据类型 转 json文件

ensure_ascii=False 实现让中文写入的时候保持为中文

indent=空格数 通过空格的数量进行缩紧

XPath 全称： XML Path Language，是一门在 XML 文档中查找信息的语言。XPath 可用来在 XML 文档中对元素和属性进行遍历。

安装：pip(3) install lxml

正则

Python中通过正则表达对字符串进行匹配是，可以使用re模块

# 导入re模块 import re # 使用match方法进行匹配操作 result = re.match(正则表达式,要匹配的字符串) # 如果上一步匹配到数据的话，可以使用group方法来提取数据 result.group()

常见语法