最近迷上了爬虫，游走在各大网站中，有时候真的感觉自己就是一只蜘蛛，云游在海量的数据中，爬取自己想要的东西，当然前提是在合法合规的情况下进行。今后一段时间，我可能会分享自己爬取数据的过程及结果，与君分享，共勉之！下面是关于爬虫的基本介绍，希望对你有所帮助。

概念：通俗理解：爬虫是一个模拟人类请求网站行为的程序。可以自动请求网页、并把数据抓取下来，然后使用一定的规则提取有价值的数据。

基本流程：

获取网页源代码：通过请求库来实现，urllib，requests等实现http请求
提取信息：分析网页源代码，提取数据，如正则表达式，beautiful、soup，pyquery，lxml等
保存数据：保存为txt，json或数据库

爬什么数据：

Html代码
Json字符串（api接口，手机端大部分是这种数据格式）
二进制文件（图片，音频，视频等）
各种扩展名的文件：css，JavaScript，各种配置文件等

JavaScript渲染页面：

用urllib或requests抓取网页时，得到的源代码和浏览器中看到的不一样
越来越多的网页采用ajax、前端模块化工具来构建，整个网页都是JavaScript渲染出来的
需要分析ajax接口，或使用selenium等库实现模拟JavaScript渲染
页面渲染：

应用场景：

搜索引擎
伯乐在线
慧慧购物助手
数据分析
抢票软件等

切记：

Robots协议（也称为爬虫协议、机器人协议等）的全称是“网络爬虫排除标准”（Robots Exclusion Protocol），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
当一个搜索蜘蛛访问一个站点时，它会首先检查该站点根目录下是否存在robots.txt，如果存在，搜索机器人就会按照该文件中的内容来确定访问的范围；如果该文件不存在，所有的搜索蜘蛛将能够访问网站上所有没有被口令保护的页面

HTTP协议：

全称是HyperText Transfer Protocol，中文意思是超文本传输协议，是一种发布接收html页面的方法。服务器端口号是80端口。HTTPS协议：是http协议的加密版本，在http下加入了SSL层。服务器端口号是443端口。

URL：

URL是Uniform Resource Locator的简写，统一资源定位符。一个URL由以下几个部分组成：

scheme://host:port/path/?query-string=xxx#anchor

scheme：代表的是访问的协议，一般为http或者https以及ftp等
host：主机号，域名，比如www.baidu.com
port：端口号。当你访问一个网站的时候，浏览器默认使用80端口
path：查找路径。比如www.jianshu.com/trending/now，后面的trending/now就是path
query-string：查询字符串，比如：www.baidu.com/s?wd=python，后面的wd=python就是查询字符串
anchor：描点，前端用来做页面定位的。比如一些前后端分离项目，也用描点来做导航

在浏览器中请求一个url，浏览器会对这个url进行一个编码。除英文字母，数字和部分符号外，其他的全部使用百分号+十六进制码值进行编码。

常见的请求method：

在http协议中，定义了八种请求方法，这里介绍两种常用的请求方法，分别是get请求和post请求。

get请求：一般情况下，只从服务器获取数据下来，并不会对服务器资源产生任何影响的时候会用get请求
post请求：向服务器发送数据（登录）、上传文件等，会对服务器资源产生影响的时候会使用post请求。以上是在网站开发中常用的两种方法。并且一般情况下都会遵循使用的原则。但是有的网站和服务器为了做反爬虫机制，也经常会不按常理出牌，有可能一个应该使用get方法的请求就一定要改为post请求，这个要视情况而定

一般请求方法：urlopen（）和Request

urlopen方法：

#get请求，访问百度import urllib.requestresponse=urllib.request.urlopen('http://www.baidu.com')print(response.read().decode('utf-8'))#解码后的响应

上面得到的响应是和浏览器开发者工具里面获得的一致，这里包含了指定页面上所有的信息，接下来就需要从这里面提取我们想要的数据或文本信息了。

对于post请求：

import urllib.parseimport urllib.requestda = bytes(urllib.parse.urlencode({'word':'hello'}),encoding='utf-8')#urlencode方法将参数字典转换为字符串response = urllib.request.urlopen('http://httpbin.org/post',data=da)print(response.read())

由于post请求是以表单的形式进行的，所以这里需要parse方法。

Request请求方法：

声明一个request对象，该对象可以包括header等信息，然后用urlopen打开。

#Request,可以加headers信息import urllib.requestheaders={'User-Agent':'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/71.0.3578.98 Safari/537.36'}request = urllib.request.Request('http://www.baidu.com',headers=headers)response = urllib.request.urlopen(request)print(response.read().decode('utf-8'))

注意：这里只加了headers中的User-Agent的信息，还可以加Cookie、Host等信息，高度模仿人为请求过程，尽可能避免网站后台识别或封杀。

常见的请求头参数:

在http协议中，向服务器发送一个请求，数据分为三部分，第一个是把数据放在url中，第二个是把数据放在body中（在post请求中），第三个就是把数据放在head中。这里介绍在网络爬虫中经常会用到的一些请求头参数：

User-Agent：浏览器名称。这个在网络爬虫中经常会被使用到。请求一个网页的时候，服务器通过这个参数就可以知道这个请求是由哪种浏览器发送的，如果我们是通过爬虫发送请求，那么我们的User-Agent就是python，这对于那些有反爬机制的网站来说，可以轻易的判断你这个请求是爬虫。因此我们要经常设置这个值为一些浏览器的值，来伪装我们的爬虫
Referer：表明当前这个请求是从哪个url过来的。这个一般也可以用来做反爬虫技术。如果不是从指定页面过来的，那么不做相应的响应
Cookie：http协议是无状态的。也就是同一个人发送了两次请求，服务器没有能力直到这两个请求是否来自同一个人。因此这时候就用cookie来做标识。一般如果想要做登录后才能访问的网站，那么就需要发送cookie信息

常见的响应状态码:

200：请求正常，服务器返回正常的返回数据
301：永久重定向。比如在访问www.jingdong.com的时候会重定向到www.jd.com
302：临时重定向。比如在访问一个需要登录的页面的时候，而此时没有登陆，那么就会定向到登录页面
400：请求的url在服务器上找不到。换句话说就是请求url错误
403：服务器拒绝访问，权限不够
500：服务器内部错误。可能是服务器出现bug了1010

【学习交流群853991558】下方分享一些教程资料，大家可以看下：

python入门

Python的封装

Python网络编程

Python爬虫开发

django项目案例精讲

Python爬虫之万能抓取方式selenium

快速学习爬虫基础

Python爬虫知识汇总相关推荐

python基础知识资料-Python基础知识汇总
原标题:Python基础知识汇总 1.Anaconda的安装百度Anaconda的官网,下载左边的Python3.X版本然后是设置路径,最后给出Jupyter notebook.具体参考: 猴子: ...
Python基础知识汇总和应用示例
Python基础知识汇总和应用示例文章内容链接 python库下载网站 python库下载网站 python读取csv文件 python读取csv文件 Python3基础知识:三元表达式.元祖.s ...
python 爬虫微博 github_GitHub 热门：各大网站的 Python 爬虫登录汇总
原标题:GitHub 热门:各大网站的 Python 爬虫登录汇总 (给数据分析与开发加星标,提升数据技能) 转自:机器之心,GitHub 作者:CriseLYJ 不论是自然语言处理还是计算机视觉,做 ...
Python列表知识汇总
Python列表知识汇总创建列表 #列表的创建#空列表---------------Start--------- List_NULL = [] print(type(List_NULL)) #输出: ...
python爬虫知识大全_Python爬虫入门有哪些基础知识点
1.什么是爬虫爬虫,即网络爬虫,大家可以理解为在网络上爬行的一直蜘蛛,互联网就比作一张大网,而爬虫便是在这张网上爬来爬去的蜘蛛咯,如果它遇到资源,那么它就会抓取下来.想抓取什么?这个由你来控制它咯. ...
常用Python爬虫库汇总
Python爬虫,全称Python网络爬虫,是一种按照一定的规则,自动地抓取万维网信息的程序或脚本,主要用于抓取证券交易数据.天气数据.网站用户数据和图片数据等,Python为支持网络爬虫正常功能实现 ...
python爬虫知识_Python 爬虫技术分享
什么是"爬虫"?www.xihefangpei.com 简单来说,写一个从web上获取需要数据并按规定格式存储的程序就叫爬虫: 爬虫理论上步骤很简单,第一步获取html源码,第二步 ...
python爬虫知识大全_（硬知识）Python爬虫知识点梳理，认真看好好学
本文的文字及图片来源于网络,仅供学习.交流使用,不具有任何商业用途,版权归原作者所有,如有问题请及时联系我们以作处理以下文章来源于腾讯云作者:企鹅号小编 ( 想要学习Python?Python学习 ...
史上最全的 python 基础知识汇总篇，没有比这再全面的了，建议收藏
网友们有福了,小编终于把基础篇的内容全部涉略了一遍,这是一篇关于基础知识的汇总的文章,请朋友们收下,不用客气,不过文章篇幅肯能会有点长,耐心阅读吧爬虫(七十)多进程multiprocess(六十一) ...

Python爬虫知识汇总

切记：

HTTP协议：

URL：

URL是Uniform Resource Locator的简写，统一资源定位符。一个URL由以下几个部分组成：

常见的请求method：

urlopen方法：

对于post请求：

常见的请求头参数:

Python爬虫知识汇总相关推荐

最新文章

热门文章

Python爬虫知识汇总

切记：

HTTP协议：

URL：

URL是Uniform Resource Locator的简写，统一资源定位符。一个URL由以下几个部分组成：

常见的请求method：

urlopen方法：

对于post请求：​​​​​​​

常见的请求头参数:

Python爬虫知识汇总相关推荐

最新文章

热门文章

对于post请求：