目录

前言

一、爬虫是什么？

二、爬虫的基本流程：

三、http协议 请求与响应

四、 request

五、 响应Response

六、总结

七、简单实战demo

---

前言

        简单来说互联网是由一个个站点和网络设备组成的大网，我们通过浏览器访问站点，站点把HTML、JS、CSS代码返回给浏览器，这些代码经过浏览器解析、渲染，将丰富多彩的网页呈现我们眼前；

一、爬虫是什么？

动浏览互联网并从网页中提取信息。爬虫广泛用于各种网络服务中，如搜索引擎的网页索引构建、数据采集、自动化测试等。

简单来说，爬虫的工作流程包括以下几个步骤：

1. 开始于一个或多个初始网页URL：爬虫首先需要一组起始点，即网页的URL。
2. 获取网页内容：爬虫通过HTTP或其他协议访问这些URL，并下载网页内容。
3. 提取链接：解析这些网页内容，提取出新的URL链接，将它们添加到爬取队列中。
4. 解析内容：除了提取链接，爬虫还会解析网页内容，提取有用的信息，如文本、图片等。
5. 数据存储：将提取的信息保存到数据库、文件或其他存储系统中，以供进一步的处理或分析。
6. 遵守规则：遵循robots.txt的规定，尊重网站的爬取规则，并适当控制访问频率，以免给网站带来负担。

爬虫技术的关键挑战之一是网页的多样性和复杂性，这要求爬虫能够处理不同格式的网页，并从中准确地提取信息。此外，面对反爬虫技术，开发者需要设计更智能的爬虫，以模拟正常用户行为，绕过限制。

二、爬虫的基本流程：

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Response

Response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），第三方解析库如Beautifulsoup，pyquery等

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）文件

三、http协议 请求与响应

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。

四、 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

url编码

https://www.baidu.com/s?wd=图片

图片会被编码

网页的加载过程是：

加载一个网页，通常都是先加载document文档，

在解析document文档的时候，遇到链接，则针对超链接发起下载图片的请求

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：

（1）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）

（2）User-Agent:访问的浏览器（要加上否则会被当成爬虫程序）

（3）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

五、 响应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、respone header
响应头需要注意的参数：

（1）Set-Cookie:BDSVRTM=0; path=/：可能有多个，是来告诉浏览器，把cookie保存下来

（2）Content-Location：服务端响应头中包含Location返回浏览器之后，浏览器就会重新访问另一个页面

3、preview就是网页源代码

JSO数据

如网页html，图片

二进制数据等 

六、总结

1、总结爬虫流程：

 爬取--->解析--->存储

2、爬虫所需工具：

 请求库：requests,selenium（可以驱动浏览器解析渲染CSS和JS，但有性能劣势（有用没用的网页都会加载）；）
 解析库：正则，beautifulsoup，pyquery
 存储库：文件，MySQL，Mongodb，Redis

七、简单实战demo

1. 环境准备

确保Python环境已安装，并通过以下命令安装必要的库：

pip install requests beautifulsoup4 lxml

这里lxml是一个非常快的解析库，被推荐用作BeautifulSoup的解析器。

2. 发送HTTP请求

使用requests库向目标网站发送请求。我们将使用.get()方法，它是最常见的HTTP请求方法，用于请求数据从指定资源。

import requests

# 目标网站URL
url = 'https://example.com'

# 发送GET请求
response = requests.get(url)

# 确保请求成功
if response.status_code == 200:
    print("请求成功!")
else:
    print("请求失败:", response.status_code)

3. 解析HTML页面

得到网页内容后，利用BeautifulSoup解析HTML。首先，初始化BeautifulSoup对象，然后使用它提供的方法来提取你感兴趣的数据。

from bs4 import BeautifulSoup

# 解析网页内容
soup = BeautifulSoup(response.content, 'lxml')

# 提取网页标题
title = soup.title.text
print("网页标题:", title)

4. 数据提取

根据HTML元素的类名、id或其他属性来提取信息。例如，提取所有段落文本或链接。

# 提取所有段落文本
paragraphs = soup.find_all('p')
for p in paragraphs:
    print(p.text)

# 提取所有链接
links = soup.find_all('a')
for link in links:
    print(link.get('href'))

5. 复杂案例：爬取CSDN博客文章

让我们通过一个具体的例子来展示如何爬取CSDN博客的文章标题和内容。

# 目标CSDN博客文章URL
url = 'https://blog.csdn.net/your_article'

response = requests.get(url)
if response.status_code == 200:
    soup = BeautifulSoup(response.content, 'lxml')

    # 假设文章标题在一个特定的HTML元素中
    title = soup.find('h1', class_='article-title').text.strip()
    print("文章标题:", title)

    # 假设文章内容在特定的HTML元素中
    content = soup.find('div', class_='article-content').text.strip()
    print("文章内容:", content[:100])  # 打印文章内容的前100个字符作为预览
else:
    print("请求失败:", response.status_code)

请注意，上述代码中的类名article-title和article-content是假设的。实际中你需要检查CSDN博客的HTML结构，并使用合适的选择器。

6. 注意事项

• 遵守robots.txt规则：在进行网站数据抓取前，应先查看其robots.txt文件，了解哪些内容是允许爬取的。
• 设置请求头：模拟浏览器的请求，设置User-Agent来避免被网站拦截。
• 异常处理：在请求和解析过程中，添加异常处理逻辑，确保程序的健壯性。
• 节制爬取频率：设置合理的请求间隔，尊重网站资源，避免对网站造成不必要的负担。