爬虫基本原理（爬虫的工作原理）

爬虫基本原理（爬虫的工作原理）

爬虫基本原理

一、爬虫是什么?

百度百科和维基百科对网络爬虫的定义：简单来说爬虫就是抓取目标网站内容的工具，一般是根据定义的行为自动进行抓取, 对网页或数据的分析与过滤；抓取的网页URL进行爬行策略

爬虫要做的是什么？

我们所谓的上网便是由用户端计算机发送请求给目标计算机，将目标计算机的数据-到本地的过程。

用户获取网络数据的方式是：

浏览器提交请求->-网页代码->解析/渲染成页面。

爬虫程序要做的就是：

模拟浏览器发送请求->-网页代码->只提取有用的数据->存放于数据库或文件中

区别在于:

我们的爬虫程序只提取网页代码中对我们有用的数据

为什么要做爬虫

爬虫的价值：

互联网中最有价值的便是数据，比如天猫商城的商品信息，链家网的租房信息，雪球网的证券投资信息等等，

这些数据都代表了各个行业的真金白银，可以说，谁掌握了行业内的第一手数据，谁就成了整个行业的主宰，如果把整个互联网的数据比喻为一座宝藏，

那我们的爬虫课程就是来教大家如何来高效地挖掘这些宝藏，掌握了爬虫技能，你就成了所有互联网信息公司幕后的老板，换言之，它们都在免费为你提供有价值

二、爬虫的基本流程

三、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。

四、Request

#! /usr/bin/env python

# -*- coding: utf-8 -*-

import requests

from urllib.parse import urlencode

# 请求方式

kwords = input("请输入关键字:>>").strip()

res = urlencode({"wd":kwords}) # # 请求的url,当你在百度输入中文的时候，你把url拿下来会变成下面的这样格式的url，所以得urlencode一下

url ="https://baidu.com/s?"+res #https://baidu.com/s?wd=%E5%9B%BE%E7%89%87

response = requests.get(

# 请求的url,当你在百度输入中文的时候，你把url拿下来会变成下面的这样格式的url

url,

# 请求头

headers={

"User-Agent": "Mozilla/5.0 (Windows NT 6.1; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) "

"Chrome/63.0.3239.108 Safari/537.36",

},

)

with open("a.html","w",encoding="utf-8") as f:

f.write(response.text)

print(response.status_code)

#! /usr/bin/env python

# -*- coding: utf-8 -*-

import requests

from urllib.parse import urlencode

kwords = input("请输入关键字:>>").strip()

response = requests.get(

"https://baidu.com/s?",

# 请求的url,当你在百度输入中文的时候，你把url拿下来会变成下面的这样格式的url

params={

"wd": kwords,

'pn': 20

},

# 请求头

headers={

"User-Agent": "Mozilla/5.0 (Windows NT 6.1; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/63.0.3239.108 Safari/537.36",

},

)

with open("b.html", "w", encoding="utf-8") as f:

f.write(response.text)

print(response.status_code)

五 Response

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

解析库：正则，beautifulsoup，pyquery

存储库：文件，MySQL，Mongodb，Redis

3、爬虫常用框架： scrapy

版权声明：本文内容由网络用户投稿，版权归原作者所有，本站不拥有其著作权，亦不承担相应法律责任。如果您发现本站中有涉嫌抄袭或描述失实的内容，请联系我们jiasou666@gmail.com 处理，核实后本网站将在24小时内删除侵权内容。