1、基本入门
1.1什么是爬虫
爬虫(spider，又网络爬虫)，指的是向网站/网络发起请求，获取资源后分析并提取有用数据的程序。
从技术层面来讲便是 经过程序模拟浏览器请求站点的行径，把站点返回的HTML代码/JSON数据/二进制数据（照片、视频） 爬到本地，从而提取自己必须的数据，存放起来运用。
想要学习Python又缺少系统化学习方法的伴侣能够关注并私信“01”免费领取系统化的Python学习资料...愿大众都能在编程这条路，越走越远。
1.2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
爬虫要做的便是方式2。
1
发起请求
运用http库向目的站点发起请求，即发送一个Request
Request包括：请求头、请求体等
Request模块缺陷：不可执行JS 和CSS 代码
2
获取响应内容
倘若服务器能正常响应，则会得到一个Response
Response包括：html，json，照片，视频等
3
解析内容
解析html数据：正则表达式（RE模块）、xpath（重点运用）、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
保留数据
数据库（MySQL，Mongdb、Redis）或 文件的形式。
1.3http协议 请求与响应
http协议
Request：用户将自己的信息经过浏览器（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，而后返回数据（返回的数据中可能包括其他链接，如：照片，js，css等）
ps：浏览器在接收Response后，会解析其内容来表示给用户，而爬虫程序在模拟浏览器发送请求而后接收Response后，是要提取其中的有用数据。
1.3.1
request
(1) 请求方式
平常的请求方式：GET / POST
（2）请求的URL
url全世界统一资源定位符，用来定义互联网上一个独一的资源 例如：一张照片、一个文件、一段视频都能够用url唯一确定
（3）请求头
User-agent：请求头中倘若无user-agent客户端配置，服务端可能将你当做一个违法用户host；
cookies：cookie用来保留登录信息
重视：通常做爬虫都会加上请求头。
请求头必须重视的参数：
Referrer：
拜访源至哪里来（
有些大型网站，会
经过Referrer 做防盗链策略；所有爬虫
亦要
重视模拟）User-Agent:
拜访的浏览器（要加上否则会被当成爬虫程序） cookie：请求头
重视携带
（4）请求体
请求体 倘若是get方式，请求体无内容 （get请求的请求体放在 url后面参数中，直接能看到） 倘若是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身体 2、登录，输入错误的用户名秘码，而后提交，就能够看到post，正确登录后页面一般会转，没法捉捕到post
1.3.2
response
（1）响应状态码
200：
表率成功301：
表率转404：文件不存在403：无权限
拜访502：服务器错误
（2）response header
响应头必须重视的参数：Set-Cookie:BDSVRTM=0; path=/：可能有多个，是来告诉浏览器，把cookie保留下来
（3）preview便是网页源代码
json数据
如网页html，照片
二进制数据等
02
2、基本模块
2.1requests
requests是python实现的简单易用的HTTP库,是由于urllib的升级而来。
开源位置：
https://github.com/kennethreitz/requests
中文API：
http://docs.python-requests.org/zh_CN/latest/index.html
2.2re 正则表达式
在 Python 中运用内置的 re 模块来运用正则表达式。
缺点：处理数据不稳定、工作量大
2.3XPath
Xpath(XML Path Language) 是一门在 XML 文档中查询信息的语言，可用来在 XML 文档中对元素和属性进行遍历。
在python中重点运用 lxml 库来进行xpath获取（在框架中不运用lxml，框架内直接运用xpath就可）
lxml 是 一个HTML/XML的解析器，重点的功能是怎样解析和提取 HTML/XML 数据。
lxml和正则同样，亦是用 C 实现的，是一款高性能的 Python HTML/XML 解析器，咱们能够利用之前学习的XPath语法，来快速的定位特定元素以及节点信息。
2.4BeautifulSoup
和 lxml 同样，Beautiful Soup 亦是一个HTML/XML的解析器，重点的功能亦是怎样解析和提取 HTML/XML 数据。
运用BeautifulSoup必须导入bs4库
缺点：相对正则和xpath处理速度慢
优点：运用简单
2.5Json
JSON(JavaScript Object Notation) 是一种轻量级的数据交换格式，它使得人们很容易的进行阅读和编写。同期亦方便了设备进行解析和生成。适用于进行数据交互的场景，例如网站前台与后台之间的数据交互。
在python中重点运用 json 模块来处理 json数据。Json解析网站：
https://www.sojson.com/simple_json.html
2.6threading
运用threading模块创建线程，直接从threading.Thread继承，而后重写__init__办法和run办法
03
3、办法实例
3.1get办法实例
demo_get.py
3.2post办法实例
demo_post.py
3.3添加代理
demo_proxies.py
3.4获取ajax类数据实例
demo_ajax.py
3.5运用多线程实例
demo_thread.py
04
4、爬虫框架
4.1Srcapy框架
Scrapy是用纯Python实现一个为了爬取网站数据、提取结构性数据而编写的应用框架，用途非常广泛。Scrapy
运用了 Twisted[twɪstɪd](其
重点对手是Tornado)异步网络框架来处理网络通讯，
能够加快
咱们的下载速度，
不消自己去实现异步框架，并且
包括了
各样中间件接口，
能够灵活的完成
各样需求。
4.2Scrapy架构图
4.3Scrapy重点组件
Scrapy Engine(引擎): 负责Spider、ItemPipeline、Downloader、Scheduler中间的通讯，信号、数据传递等。Scheduler(调度器): 它负责接受引擎发送过来的Request请求，并
根据必定的方式进行整理
摆列，入队，当引擎
必须时，交还给引擎。Downloader（下载器）：负责下载Scrapy Engine(引擎)发送的所有Requests请求，并将其获取到的Responses交还给Scrapy Engine(引擎)，由引擎交给Spider来处理，Spider（爬虫）：它负责处理所有Responses,从中分析提取数据，获取Item字段
必须的数据，并将
必须跟进的URL提交给引擎，再次进入Scheduler(调度器)，Item Pipeline(管道)：它负责处理Spider中获取到的Item，并进行进行后期处理（
仔细分析、过滤、存储等）的
地区.Downloader Middlewares（下载中间件）：你
能够当作是一个
能够自定义扩展下载功能的组件。Spider Middlewares（Spider中间件）：你
能够理解为是一个
能够自定扩展和操作引擎和Spider中间通信的功能组件（
例如进入Spider的Responses;和从Spider出去的Requests）
4.4Scrapy的运作流程
引擎：Hi！Spider, 你要处理哪一个网站？Spider：老大要我处理xxxx.com。引擎：你把
第1个
必须处理的URL给我吧。Spider：给你，
第1个URL是xxxxxxx.com。引擎：Hi！调度器，我这有request请求你帮我排序入队一下。调度器：好的，正在处理你等一下。引擎：Hi！调度器，把你处理好的request请求给我。调度器：给你，这是我处理好的request引擎：Hi！下载器，你
根据老大的下载中间件的设置帮我下载一下这个request请求下载器：好的！给你，这是下载好的东西。（
倘若失败：sorry，这个request下载失败了。
而后引擎告诉调度器，这个request下载失败了，你记录一下，
咱们待会儿再下载）引擎：Hi！Spider，这是下载好的东西，并且
已然根据老大的下载中间件处理过了，你自己处理一下（
重视！这儿responses默认是交给def parse()这个函数处理的）Spider：（处理完毕数据之后
针对必须跟进的URL），Hi！引擎，我
这儿有两个结果，这个是我
必须跟进的URL，还有这个是我获取到的Item数据。引擎：Hi ！管道 我这儿有个item你帮我处理一下！调度器！这是
必须跟进URL你帮我处理下。
而后从第四步
起始循环，直到获取完老大
必须所有信息。管道``调度器：好的，
此刻就做！
4.5制作Scrapy爬虫4步曲
1新建爬虫项目scrapy startproject mySpider2知道目的 （编写items.py）打开mySpider目录下的items.py3制作爬虫 （spiders/xxspider.py）scrapy genspider gushi365 "gushi365.com"4存储内容 （pipelines.py）设计管道存储爬取内容
05
5、常用工具
5.1fidder
fidder是一款抓包工具，重点用于手机抓包。
5.2XPath Helper
xpath helper插件是一款免费的chrome爬虫网页解析工具。能够帮忙用户处理在获取xpath路径时没法正常定位等问题。
谷歌浏览器插件xpath helper 的安装和运用：
https://jingyan.baidu.com/article/1e5468f94694ac484861b77d.html
06
6、分布式爬虫
6.1scrapy-redis
Scrapy-redis是为了更方便地实现Scrapy分布式爬取，而供给了有些以redis为基本的组件（pip install scrapy-redis）
github网站：https://github.com/rolando/scrapy-redis
6.2分布式策略
Master端(核心服务器) ：搭建一个Redis数据库，不负责爬取，只负责url指纹判重、Request的分配，以及数据的存储Slaver端(爬虫程序执行端) ：负责执行爬虫程序，运行过程中提交新的Request给Master
发表于 2024-8-17 12:02:42