爬虫基本原理

标签：pos   pip   参数   baidu   密文   提取   代码   class   http   

一 爬虫基本原理：

? 1.什么是爬虫？

- 爬取数据  

• 什么是互联网？

   - 互联网是由一堆网络设备，将世界上所有的电脑互联到一起; 

2.为什么要使用爬虫技术？
- requests 模块底层帮我们封装好了socket套接字，我们只需要关注http协议的通信流程;
- 普通用户获取数据:
- 打开浏览器，输入网址
- 访问目标网站
- 目标网站将数据返回给浏览器
- 浏览器将数据进行渲染
- ctrl + c 、 ctrl + v
- “爬虫程序”获取数据:
- 模拟浏览器往目标网站发送请求:
- 请求库
- requests模块
- selenium模块
- 获取目标网站返回的响应数据
- 服务端会自动将数据返回，无需通过代码实现
- 解析并提取有价值的数据
- 解析模块:
- re正则模块
- BeautifulSoup4解析库: bs4
- xpath解析语法： 通过文档树，查找规则
- selector属性选择解析库： css
- 保存到数据库、或者本地
- 存储库:
- MySQL
- redis
- mongodb
- file
- 爬虫全过程:
- 发送请求
- 获取响应数据
- 解析并提取数据
- 保存数据
- 爬虫三部曲(*******):
1.发送请求（*******）
- 先分析目标网站的http协议请求流程
- 再写代码
2.获取数据
3.保存数据
- 安装
pip3 install requests

• 分析http协议请求流程:
  • 谷歌浏览器自带的开发者工具（推荐使用）:
    • GET:
      • 请求url:
        - Request URL: https://www.baidu.com/
        
      • 请求方式:
        - Request Method: GET
        
      • 响应头（请求后，服务端返回的数据）:
        - set-cookies： 服务端告诉浏览器要保存cookies
        - Location: 服务端告诉浏览器需要立马跳转的url地址
        
    • 请求头（携带访问目标服务端的数据）:
      - Cookie
      - user-agent: 浏览器凭证，服务端有可能通过它做反扒
      - Referer: 当前url，上一次访问的url地址;
      请求参数:Params
      - 可携带1KB左右的数据
      - https://www.baidu.com/s?wd=%E7%BE%8E%E5%A5%B3
      - wd=%E7%BE%8E%E5%A5%B3
      
    • POST:
      • 请求url:
        
      • Request URL: https://passport.baidu.com/v2/api/?login
      • 请求方式:
        
      • Request Method: POST
        
      • 响应头（请求后，服务端返回的数据）:
        
      • set-cookies： 服务端告诉浏览器要保存cookies
        • Location: 服务端告诉浏览器需要立马跳转的url地址
          
      • 请求头（携带访问目标服务端的数据）:
        
      • Cookie:
        • user-agent: 浏览器凭证，服务端有可能通过它做反扒
          
        • Referer: 当前url，上一次访问的url地址; https://www.baidu.com/s?wd=%E7%BE%8E%E5%A5%B3
          
      • 请求体:
        
      • 明文用户名:
        • 正确用户名
          
        • 正确密文pwd: - OQUoK471BPXLSQbQ3rKKpbYJZ/x8zgZ91LVs4Bw6sKoNeuJH9KoOkac0mhDiZ/H3n1Adxq1g/tgSD3EEhreqVoxJMO3VxqYH5LDlHR0U0gxeGpeuTaHGKWE4aun6vxVWjYIJcfAmQ3/b2JUqGawYcM9xtJZPrhPU86u/1i7e3DM=

爬虫基本原理

标签：pos   pip   参数   baidu   密文   提取   代码   class   http   

原文地址：https://www.cnblogs.com/zfb123-/p/12142752.html