目录
一、爬虫简介
1.什么是爬虫
2.爬虫的核心
3.爬虫的用途
4.爬虫的分类
5.反爬手段
二、Urllib基本使用
1.导入我们需要的包
2.定义一个url
3.模拟浏览器向服务器发送请求
4.获取响应中的页面的源码
5.打印数据
三、一个类型和六个方法
1.定义url,并向服务器发送请求
2.一个类型
3.六个方法
参考
一、爬虫简介
1.什么是爬虫
如果我们把互联网比作一个巨大的网,那一台计算机上的数据就是蜘蛛网上的一个猎物,而爬虫程序就是一只小蜘蛛,沿着蜘蛛网抓取自己想要的数据。
解释1:通过一个程序进行爬取网页,获取有用信息
解释2:使用程序模拟浏览器,去向服务器发送请求,获取响应信息。
2.爬虫的核心
爬取网页:爬取整个网页,包含了网页中所有的内容
解析数据:将网页中你得到的数据进行解析
难点:爬虫与反爬虫之间的博弈
3.爬虫的用途
数据分析/人工数据集
社交软件冷启动
舆情监控
竞争对手监控
4.爬虫的分类
通用爬虫:
实例:百度、360、Google等搜索引擎
功能:访问网页,抓取数据,数据存储,数据处理,提供检索服务
Robots协议:一个约定俗称的协议,添加robots.txt文件,来说明本网站哪些内容不可以被抓取,起不到限制作用,自己写的爬虫无需遵守。
网站排名:
以前:根据pagerank算法值进行排名(参考网站流量,点击率等指标)
现在:百度竞价排名
缺点:抓取的数据大多是无用的;不能根据用户的需求精准的获取数据。
聚焦爬虫:
功能:根据需求,实现爬虫程序,抓取需要的数据
设计思路:确定要爬取的url;模拟浏览器通过http协议访问url,获取服务器返回的html代码;解析html字符串(根据一定的规则提取数据)
5.反爬手段
1.user_agent:中文名Wie用户代理,简称UA,他是一个特殊字符串头,是的服务器能够市北客户使用的操作系统及版本,CPU类型,浏览器及版本,浏览器渲染引擎,浏览器语言,浏览器插件等。
2.代理IP:(超出人类访问限制就会封IP)
西次代理 快代理 什么是高匿名,匿名和透明代理?他们有什么区别?(1)使用透明代理,对方服务器可以知道你使用了代理,并且也知道你的真实IP。
(2)使用匿名代理,对方服务器可以知道你使用了代理,但不知道你的真实IP。
(3)使用高匿名代理,对方服务器不知道你使用了代理,也不知道你的真实IP。
3.验证码访问
打码平台:云打码平台
4.动态加载网页:网站返回的是js数据,并不是网页真实数据;selenium驱动真实的浏览器发送请求。
5.数据加密
分析js代码
二、Urllib基本使用
目标:使用urllib获取百度网站首页的源码
urllib不需要安装,python自带,可直接使用
1.导入我们需要的包
# 使用urllib获取百度首页的源码
import urllib.request
2.定义一个url
# 1.定义一个url(你要访问的网页地址)
url = "http://www.baidu.com"
3.模拟浏览器向服务器发送请求
注意发送请求时要确保你的电脑是联网,不然就会报错
使用 urllib.request.urlopen() 方法发送请求
# 2.模拟浏览器向服务器发送请求(联网)
response = urllib.request.urlopen(url)
4.获取响应中的页面的源码
使用 read() 方法读取数据
这里注意要将获取的数据进行解码 decode(),否则无法解析网页中的中文。
# 3.获取响应中的页面的源码
# read()方法 返回的是字节形式的二进制数据
# 将二进数数据转换为字符串
# 二进制-->字符串 这个动作叫做解码 decode("编码的格式")
# 网页的编码格式可以看网页源码中 head --> meta --> content 里的charset中有写明
content = response.read().decode('utf-8')
5.打印数据
# 4.打印数据
# 打印结果:b'<!DOCTYPE html><!--STATUS OK--><html><head><meta。。。
print(content)
完整代码:
# 使用urllib获取百度首页的源码
import urllib.request
# 1.定义一个url(你要访问的网页地址)
url = "http://www.baidu.com"
# 2.模拟浏览器向服务器发送请求(联网)
response = urllib.request.urlopen(url)
# 3.获取响应中的页面的源码
# read()方法 返回的是字节形式的二进制数据
# 将二进数数据转换为字符串
# 二进制-->字符串 这个动作叫做解码 decode("编码的格式")
# 网页的编码格式可以看网页源码中 head --> meta --> content 里的charset中有写明
content = response.read().decode('utf-8')
# 4.打印数据
# 打印结果:b'<!DOCTYPE html><!--STATUS OK--><html><head><meta。。。
print(content)
三、一个类型和六个方法
1.定义url,并向服务器发送请求
# 1.定义一个url(你要访问的网页地址)
url = "http://www.baidu.com"
# 2.模拟浏览器向服务器发送请求(联网)
response = urllib.request.urlopen(url)
2.一个类型
服务器返回的响应是HTML格式
# 3.获取响应中的页面的源码
print(type(response)) # <class 'http.client.HTTPResponse'>
3.六个方法
注意:以下读取的content都需要加 decode()进行解码,否则无法解析网页中的中文。
(1)read() 方法
# 按照一个字节一个字节的去读整个网页的字节
content = response.read()
# 读五个字节
content = response.read(5)
(2)读取一行
# 读取一行
content = response.readline()
(3)一行一行的读,读所有字节
# 一行一行的读,读取所有字节
content = response.readlines()
print(content)
(4)返回状态码
# 返回状态码 如果是200,则表示请求成功
print(response.getcode())
(5)返回url地址
# 返回 URL 地址
print(response.geturl())
(6)返回状态信息
# 获取的是一些状态信息
print(response.getheaders())
完整代码:
import urllib.request
# 1.定义一个url(你要访问的网页地址)
url = "http://www.baidu.com"
# 2.模拟浏览器向服务器发送请求(联网)
response = urllib.request.urlopen(url)
# 3.获取响应中的页面的源码(获取到的都是二进制的,后面需要再decode())
# 一个类型和六个方法:HTTPResponse read, readline, readlines, getcode, geturl, getheaders
# print(type(response)) # <class 'http.client.HTTPResponse'>
# 按照一个字节一个字节的去读整个网页的字节
# content = response.read()
# 读五个字节
# content = response.read(5)
# 读取一行
# content = response.readline()
# 一行一行的读,读取所有字节
# content = response.readlines()
# print(content)
# 返回状态码 如果是200,则表示请求成功
print(response.getcode())
# 返回 URL 地址
print(response.geturl())
# 获取的是一些状态信息
print(response.getheaders())
参考
尚硅谷Python爬虫教程小白零基础速通(含python基础+爬虫案例)
来源:https://blog.csdn.net/m0_45447650/article/details/134268324