怎样抓取网页数据(什么是爬虫？网络爬虫（..）爬虫的基本流程 )

　　怎样抓取网页数据(什么是爬虫？网络爬虫（..）爬虫的基本流程

)

　　什么是爬行动物？

　　网络爬虫（也称为网络蜘蛛、网络机器人，在 FOAF 社区中，更常被称为网络追逐者）是根据一定规则自动从万维网上爬取信息的程序或脚本。其他不太常用的名称是 ant、autoindex、emulator 或 worm。

　　其实通俗的说，就是通过程序在网页上获取你想要的数据，也就是自动抓取数据。

　　您可以抓取女孩的照片并抓取您想观看的视频。. 等待你要爬取的数据，只要你能通过浏览器访问的数据就可以通过爬虫获取

　　爬行动物的性质

　　模拟浏览器打开网页，获取网页中我们想要的部分数据

　　在浏览器中打开网页的过程：

　　当你在浏览器中输入地址时，通过DNS服务器找到服务器主机，向服务器发送请求，服务器解析并将结果发送给用户的浏览器，包括html、js、css等文件内容，浏览器解析它并最终呈现它给用户在浏览器上看到的结果

　　因此，用户看到的浏览器的结果都是由 HTML 代码组成的。我们的爬虫就是获取这些内容。通过分析和过滤HTML代码，我们可以得到我们想要的资源（文字、图片、视频...）

　　爬虫的基本流程

　　发出请求

　　通过HTTP库向目标站点发起请求，即发送Request，请求中可以收录额外的headers等信息，等待服务器响应

　　获取响应内容

　　如果服务器能正常响应，就会得到一个Response。Response的内容就是要获取的页面的内容。类型可以是 HTML、Json 字符串、二进制数据（图片或视频）等。

　　解析内容

　　获取的内容可以是HTML，可以用正则表达式和页面解析库解析，也可以是Json，可以直接转成Json对象解析，也可以是二进制数据，可以保存或进一步处理

　　保存数据

　　以多种形式保存，可以保存为文本，也可以保存到数据库，或者以特定格式保存文件

　　请求，响应

　　浏览器向 URL 所在的服务器发送消息。这个过程称为 HTTP 请求

　　服务器收到浏览器发送的消息后，可以根据浏览器发送的消息内容进行相应的处理，然后将消息发送回浏览器。这个过程是 HTTP 响应

　　浏览器收到服务器的Response信息后，会对信息进行相应的处理，然后显示

　　请求中收录什么？

　　请求方法

　　主要有：常用的GET/POST两种，还有HEAD/PUT/DELETE/OPTIONS

　　GET 和 POST 的区别在于请求的数据 GET 在 url 中，而 POST 存储在 header 中

　　GET：向指定资源发出“显示”请求。使用 GET 方法应该只用于读取数据，而不应该用于产生“副作用”的操作，例如在 Web 应用程序中。原因之一是 GET 可能被网络蜘蛛等任意访问。

　　POST：向指定资源提交数据，并请求服务器处理（如提交表单或上传文件）。数据收录在请求文本中。此请求可能会创建新资源或修改现有资源，或两者兼而有之。

　　HEAD：和GET方法一样，是对服务器的指定资源的请求。只是服务器不会返回资源的文本部分。它的优点是使用这种方法可以获取“有关资源的信息”（元信息或元数据），而无需传输整个内容。

　　PUT：将其最新内容上传到指定的资源位置。

　　OPTIONS：此方法使服务器能够返回资源支持的所有 HTTP 请求方法。使用 '*' 代替资源名称，并向 Web 服务器发送 OPTIONS 请求，以测试服务器功能是否正常工作。

　　DELETE：请求服务器删除Request-URI标识的资源。

　　请求网址

　　URL，即Uniform Resource Locator，也就是我们所说的网站，Uniform Resource Locator是对可以从互联网上获取的资源的位置和访问方式的简明表示，是互联网上标准资源的地址. Internet 上的每个文件都有一个唯一的 URL，其中收录指示文件位置以及浏览器应该如何处理它的信息。

　　URL的格式由三部分组成：

　　第一部分是协议（或服务模式）。

　　第二部分是存储资源的主机的 IP 地址（有时是端口号）。

　　第三部分是宿主资源的具体地址，如目录、文件名等。

　　爬虫在爬取数据时，必须有目标URL才能获取数据。因此，它是爬虫获取数据的基本依据。

　　请求头

　　收录请求过程中的头部信息，如User-Agent、Host、Cookies等信息。下图显示了请求百度时所有的请求头信息参数。

　　

　　请求正文

　　请求是携带的数据，比如提交表单数据时的表单数据（POST）

　　响应中收录的内容

　　所有 HTTP 响应的第一行是状态行，后跟当前 HTTP 版本号、3 位状态代码和描述状态的短语，以空格分隔。

　　响应状态

　　响应状态有多种，如：200表示成功，301跳转，404页面未找到，502服务器错误

　　响应头

　　如内容类型、类型长度、服务器信息、设置cookies，如下图

　　

　　响应体

　　最重要的部分，包括请求资源的内容，比如网页HTML、图片、二进制数据等。

　　可以抓取什么样的数据

　　网页文本：如HTML文档、Json格式文本等。

　　图片：将得到的二进制文件保存为图片格式

　　视频：也是二进制

　　其他：只要你要求，你就能得到

　　如何直接解析数据流程 Json解析正则表达式流程 BeautifulSoup解析流程 PyQuery解析流程 XPath解析流程 关于爬取的页面数据与浏览器看到的区别

　　出现这种情况是因为网站中的很多数据都是通过js和ajax动态加载的，所以直接通过get请求得到的页面和浏览器显示的不一样。

　　如何解决js渲染的问题？

　　分析ajax

　　硒/网络驱动程序

　　溅

　　PyV8，幽灵.py

　　如何保存数据

　　文本：纯文本、Json、Xml等。

　　关系型数据库：mysql、oracle、sql server等结构化数据库。

　　非关系型数据库：MongoDB、Redis等键值存储

　　什么是请求

　　Requests 是基于 urllib 用 python 编写，使用 Apache2 Licensed 开源协议的 HTTP 库

　　如果你看过之前的文章文章关于urllib库的使用，你会发现urllib其实很不方便，而且Requests比urllib方便，可以为我们省去很多工作。（使用requests之后，你基本就舍不得用urllib了。）总之，requests是python实现的最简单最简单的HTTP库。建议爬虫使用 requests 库。

　　默认安装python后，requests模块没有安装，需要通过pip单独安装

　　pip install requests

　　requests函数整体功能演示

　　import requests

response = requests.get("https://www.baidu.com")

print(type(response))

print(response.status_code)#状态码

print(type(response.text))

print(response.text)#打印网页内容

print(response.cookies)

print(response.content)

print(response.content.decode("utf-8"))#改变编码

　　我们可以看到响应式使用起来确实非常方便。有一个问题需要注意：

　　很多情况下网站直接使用response.text会造成乱码，所以这里使用response.content

　　这样返回的数据格式其实是二进制格式，然后通过decode()转换成utf-8，解决了直接通过response.text返回显示乱码的问题。

　　发出请求后，Requests 会根据 HTTP 标头对响应的编码进行有根据的猜测。当您访问 response.text 时，Requests 使用其推断的文本编码。您可以找出请求使用的编码，并可以使用 response.encoding 属性更改它。例如：

　　response =requests.get("http://www.baidu.com")

response.encoding="utf-8"

print(response.text)

　　无论是通过response.content.decode("utf-8)还是通过response.encoding="utf-8"都可以避免乱码问题

　　各种请求方法

　　requests中提供了各种请求方法

　　

　　Requests 库的 get() 方法

　　

　　

　　

　　

　　实践：

　　

　　网页爬取常用代码框架

　　

　　

　　

　　跑

　　import requests

r = requests.get("https://www.baidu.com")

r.status_code#获取网站状态码

r.text#获取内容

r.encoding#获取编码

r.apparent_encoding#获取另一个编码

r.encoding='utf-8'#替换编码为'UTF-8'

　　你会发现一个乱码和一个正常，因为

　　

　　

　　代码：

　　import requests

def getHTMLText(url):

try:

r=requests.get(url,timeout=30)

r.raise_for_status()#如果状态码不是200，就引发HTTPError异常

r.encoding=r.apparent_encoding #替换编码

return r.text #返回网页内容

except:

return "产生异常啦！"

url="www.baidu.com/"

print(getHTMLText(url))