python怎么爬虫理数据_什么是Python爬虫？怎么样玩爬虫？

迷南。 2023-01-02 02:25 248阅读 0赞

★

*  爬虫特点概要
 *  爬虫的概念
 *  爬虫的作用
 *  爬虫的分类 根据被爬网闸的数量不同，可以分为： 根据是否以获取数据为目的，可以分为： 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：
 *  爬虫流程
 *  http以及https的概念和区别
 *  爬虫特别注意的请求头
 *  爬虫特别注意的响应头
 *  常见的响应状态码
 *  http请求的过程
 *  注意
 *  最后

”

# Python爬虫入门：什么是爬虫？ #

![d6ddc88fe61153600edca0d1a15514a3.png][]

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。

![4d340b249214bbed05016db4c5209a87.png][]

# 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
 *  12306抢票
 *  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

![7786543133f3ec6259df6b00fdb8538d.png][]

爬虫分类

# 了解爬虫分类 #

# 爬虫流程 #

![1f15706e3fecb1b274b1d31a1d5132bf.png][]

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 #

![a7061e1d9ed11449c9cad872b49a3164.png][]

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

![4999471b51cabecbf99a445fcc5163f1.png][]

![d0be8caaeb5e63308d7fa609f46e7245.png][]

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

![e4448b5df4e96d50ef844c9456e45b03.png][]

image-20201127151932476

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。 #

[d6ddc88fe61153600edca0d1a15514a3.png]: /images/20221120/ac2a83469d7f4280b2edf8572230f680.png
[4d340b249214bbed05016db4c5209a87.png]: /images/20221120/f826750830a845249fe899af8290bb3a.png
[7786543133f3ec6259df6b00fdb8538d.png]: /images/20221120/407ec02a24b84f998a3fd764e76cd8ed.png
[1f15706e3fecb1b274b1d31a1d5132bf.png]: /images/20221120/60a65e716c674d6ab9447c2c9eda7edd.png
[a7061e1d9ed11449c9cad872b49a3164.png]: /images/20221120/1891dbc06b8d4ec9a05a29c376945284.png
[4999471b51cabecbf99a445fcc5163f1.png]: /images/20221120/a9330539917d4c83aa7c24290e4fd7fa.png
[d0be8caaeb5e63308d7fa609f46e7245.png]: /images/20221120/84aa88594d95414cb98377f80e1d8035.png
[e4448b5df4e96d50ef844c9456e45b03.png]: /images/20221120/e58e4c2a4319433bb76d2975631a0a28.png