软件研发

python爬虫是什么?

2020-07-31 15:06:01 | 来源:中培企业IT培训网

在众多编程语言当中,python爬虫是IT从业者经常用到的。但是还有很多不懂代码的人,对于python爬虫是什么不了解,今天我们就来详细介绍一下,python爬虫基础的入门知识,这些小知识包括:python爬虫定义、爬虫基本流程、http协议请求与响应。希望通过阅读本文,对不了解的人有一定的帮助。

  python爬虫是什么

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。

爬虫基本流程

用户获取网络数据的方式:

方式1:浏览器提交请求--->下载网页代码--->解析成页面

方式2:模拟浏览器发送请求(获取网页代码)->提取有用的数据->存放于数据库或文件中爬虫要做的就是方式2。

1.发起请求

使用http库向目标站点发起请求,即发送一个Request

Request包含:请求头、请求体等 Request模块缺陷:不能执行JS 和CSS 代码。

2.获取响应内容

如果服务器能正常响应,则会得到一个ResponseResponse包含:html,json,图片,视频等

3.解析内容

解析html数据:正则表达式(RE模块)、xpath(主要使用)、beautiful soup、css解析json数据:json模块解析二进制数据:以wb的方式写入文件。

4.保存数据

数据库(MySQL,Mongdb、Redis)或 文件的形式。

http协议请求与响应

http协议:

Request:用户将自己的信息通过浏览器(socket client)发送给服务器(socket server)

Response:服务器接收请求,分析用户发来的请求信息,然后返回数据(返回的数据中可能包含其他链接,如:图片,js,css等)

ps:浏览器在接收Response后,会解析其内容来显示给用户,而爬虫程序在模拟浏览器发送请求然后接收Response后,是要提取其中的有用数据。

  1.request

(1)请求方式

常见的请求方式:GET / POST

(2)请求的URL

url全球统一资源定位符,用来定义互联网上一个唯一的资源 例如:一张图片、一个文件、一段视频都可以用url唯一确定

(3)请求头

●User-agent:请求头中如果没有user-agent客户端配置,服务端可能将你当做一个非法用户host

●cookies:cookie用来保存登录信息

注意:一般做爬虫都会加上请求头。

请求头需要注意的参数:

●Referrer:访问源至哪里来(一些大型网站,会通过Referrer 做防盗链策略;所有爬虫也要注意模拟)

●User-Agent:访问的浏览器(要加上否则会被当成爬虫程序)

●cookie:请求头注意携带

  (4)请求体

请求体 如果是get方式,请求体没有内容 (get请求的请求体放在 url后面参数中,直接能看到) 如果是post方式,请求体是format data

ps:1、登录窗口,文件上传等,信息都会被附加到请求体内 2、登录,输入错误的用户名密码,然后提交,就可以看到post,正确登录后页面通常会跳转,无法捕捉到post

  2.response

(1)响应状态码

●200:代表成功

●301:代表跳转

●404:文件不存在

●403:无权限访问

●502:服务器错误

(2)response header

响应头需要注意的参数:Set-Cookie:BDSVRTM=0; path=/:可能有多个,是来告诉浏览器,把cookie保存下来

(3)preview就是网页源代码

●json数据

●如网页html,图片

●二进制数据等

通过上述介绍,python爬虫是什么相信大家已经清楚了吧,想了解更多关于python爬虫的信息,请继续关注中培伟业。