python爬虫必背知识

㈠ python爬虫是什么

Python爬虫是一种使用Python编程语言编写的网络爬虫程序。以下是对Python爬虫的详细解释：

一、定义与功能

• 定义：Python爬虫，即利用Python语言开发的一种自动化程序，用于从互联网上抓取、分析和收集数据。
• 功能：它模拟人类浏览器的行为，访问网站、读取网页内容、提取所需信息，并将这些信息保存到本地数据库或文件中。

二、工作原理

• 发送请求：Python爬虫通过HTTP请求访问目标网站的URL。
• 接收响应：网站服务器返回HTML、JSON等格式的数据作为响应。
• 解析数据：爬虫程序使用正则表达式、BeautifulSoup、lxml等工具解析响应数据，提取所需信息。
• 存储数据：将提取的数据保存到本地文件、数据库或进行进一步处理。

三、应用场景

• 搜索引擎：搜索引擎是Python爬虫最常见的应用场景之一，用于抓取网页内容并建立索引。
• 数据采集：企业或个人可以利用Python爬虫从特定网站上抓取数据，用于市场分析、竞品分析等。
• 网站监测：通过定期抓取网站内容，监测网站更新情况或进行内容对比。

四、注意事项

• 遵守法律法规：在抓取数据时，必须遵守相关法律法规和网站的使用协议。
• 避免对目标网站造成负担：合理设置抓取频率和并发数，避免对目标网站服务器造成过大压力。
• 数据隐私与安全：确保抓取的数据不涉及个人隐私和敏感信息，保障数据安全。

综上所述，Python爬虫是一种强大的数据抓取工具，在搜索引擎、数据采集和网站监测等领域具有广泛应用。

㈡ 姣曚笟鐢熷繀鐪婸ython鐖铏涓婃坠鎶宸

Python蹇阃熶笂镓嬬殑7澶ф妧宸

Python蹇阃熶笂镓嬬埇铏镄7澶ф妧宸

1銆佸熀链鎶揿彇缃戦〉

get鏂规硶

post鏂规硶

2銆佷娇鐢ㄤ唬鐞咺P

鍦ㄥ紑鍙戠埇铏杩囩▼涓缁忓父浼氶亣鍒癐P琚灏佹帀镄勬儏鍐碉纴杩欐椂灏遍渶瑕佺敤鍒

浠ｇ悊IP锛

鍦╱rllib 2鍖呬腑链埘roxy Handler绫伙纴 阃氲繃姝ょ被鍙浠ヨ剧疆浠ｇ悊

璁块梾缃戦〉锛屽备笅浠ｇ爜鐗囨碉细

3銆丆ookies澶勭悊

cookies鏄镆愪簺缃戠珯涓轰简杈ㄥ埆鐢ㄦ埛韬浠姐佽繘琛宻ession璺熻釜钥

鍌ㄥ瓨鍦ㄧ敤鎴锋湰鍦扮粓绔涓婄殑鏁版嵁(阃氩父缁忚繃锷犲瘑) 锛 python鎻愪緵浜

cookie lib妯″潡鐢ㄤ簬澶勭悊cookies锛 cookie lib妯″潡镄勪富瑕佷綔

鐢ㄦ槸鎻愪緵鍙瀛桦偍cookie镄勫硅薄锛 浠ヤ究浜庝笌urllib 2妯″潡閰嶅悎浣

鐢ㄦ潵璁块梾Internet璧勬簮銆

浠ｇ爜鐗囨碉细

鍏抽敭鍦ㄤ簬Cookie Jar() 锛 瀹幂敤浜庣＄悊HTTP cookie鍊笺佸瓨鍌

HTTP璇锋眰鐢熸垚镄刢ookie銆佸悜浼犲嚭镄凥TTP璇锋眰娣诲姞cookie

镄勫硅薄銆傛暣涓猚ookie閮藉瓨鍌ㄥ湪鍐呭瓨涓锛 瀵笴ookie Jar瀹炰緥杩

琛屽瀮鍦惧洖鏀跺悗cookie涔熷皢涓㈠け锛 镓链夎繃绋嬮兘涓嶉渶瑕佸崟镫铡绘搷浣

镓嫔姩娣诲姞cookie锛

4銆佷吉瑁呮垚娴忚埚櫒

镆愪簺缃戠珯鍙嶆劅鐖铏镄勫埌璁匡纴浜庢槸瀵圭埇铏涓寰嬫嫆缁濊锋眰銆傛墍浠ョ敤

urllib 2鐩存帴璁块梾缃戠珯缁忓父浼氩嚭鐜癏TTP Error 403锛

Forbidden镄勬儏鍐点

瀵规湁浜沨eader瑕佺壒鍒鐣欐剰锛 Server绔浼氶拡瀵硅繖浜沨eader

锅氭镆ワ细

1.User-Agent链変簺Server鎴朠roxy浼氭镆ヨュ硷纴 鐢ㄦ潵鍒

鏂鏄钖︽槸娴忚埚櫒鍙戣捣镄凴equest銆

2.Content-Type鍦ㄤ娇鐢≧EST鎺ュ彛镞讹纴 Server浼氭镆ヨ

鍊硷纴 鐢ㄦ潵纭瀹欻TTP Body涓镄勫唴瀹硅ユ庢牱瑙ｆ瀽銆

杩欐椂鍙浠ラ氲繃淇鏀筯ttp鍖呬腑镄删eader𨱒ュ疄鐜帮纴 浠ｇ爜鐗囨靛备笅

5銆侀獙璇佺爜镄勫勭悊

瀵逛簬涓浜涚亩鍗旷殑楠岃瘉镰侊纴鍙浠ヨ繘琛岀亩鍗旷殑璇嗗埆銆傛垜浠鍙杩涜岃繃涓

浜涚亩鍗旷殑楠岃瘉镰佽瘑鍒锛屼絾鏄链変簺鍙崭汉绫荤殑楠岃瘉镰侊纴姣斿12306

锛屽彲浠ラ氲繃镓撶爜骞冲彴杩涜屼汉宸ユ墦镰侊纴褰撶劧杩欐槸瑕佷粯璐圭殑銆

6銆乬zip铡嬬缉

链夋病链夐亣鍒拌繃镆愪簺缃戦〉锛屼笉璁烘庝箞杞镰侀兘鏄涓锲涔辩爜銆傚搱鍝堬纴闾

璇存槑浣犺缮涓岖煡阆撹稿归eb链嶅姟鍏锋湁鍙戦佸帇缂╂暟鎹镄勮兘锷涳纴 杩椤彲

浠ュ皢缃戠粶绾胯矾涓娄紶杈撶殑澶ч噺鏁版嵁娑埚噺60%浠ヤ笂銆傝繖灏ゅ叾阃傜敤浜

XML web链嶅姟锛 锲犱负XML鏁版嵁镄勫帇缂╃巼鍙浠ュ緢楂樸

浣嗘槸涓鑸链嶅姟鍣ㄤ笉浼氢负浣犲彂阃佸帇缂╂暟鎹锛岄櫎闱炰綘锻婅瘔链嶅姟鍣ㄤ綘鍙

浠ュ勭悊铡嬬缉鏁版嵁銆

浜庢槸闇瑕佽繖镙蜂慨鏀逛唬镰侊细

杩欐槸鍏抽敭锛氩垱寤篟equest瀵硅薄锛 娣诲姞涓涓狝ccept-

encoding澶翠俊鎭锻婅瘔链嶅姟鍣ㄤ綘鑳芥帴鍙枧zip铡嬬缉鏁版嵁銆

铹跺悗灏辨槸瑙ｅ帇缂╂暟鎹锛

7銆佸氱嚎绋嫔苟鍙戞姄鍙

鍗旷嚎绋嫔お鎱㈢殑璇濓纴灏遍渶瑕佸氱嚎绋嬩简锛岃繖閲岀粰涓绠鍗旷殑绾跨▼姹犳ā𨱒

杩欎釜绋嫔簭鍙鏄绠鍗曞湴镓揿嵃浜1-10锛屼絾鏄鍙浠ョ湅鍑烘槸骞跺彂镄勚

铏界劧璇碢ython镄勫氱嚎绋嫔緢楦¤倠锛 浣嗘槸瀵逛簬鐖铏杩欑岖绣缁滈戠箒鍨

锛岃缮鏄鑳戒竴瀹氱▼搴︽彁楂樻晥鐜囩殑銆

㈢ python爬虫需要什么基础

网页知识

html，js,css，xpath这些知识，虽然简单，但一定需要了解。 你得知道这些网页是如何构成的，然后才能去分解他们.

HTTP知识

• 一般爬虫你需要模拟浏览器的操作，才能去获取网页的信息

• 如果有些网站需要登录，才能获取更多的资料，你得去登录，你得把登录的账号密码进行提交

• 有些网站登录后需要保存cookie信息才能继续获取更多资料

正则表达式

有了正则表达式才能更好的分割网页信息，获取我们想要的数据，所以正则表达式也是需要了解的.

一些重要的爬虫库

• url,url2

• beautiul Soup

数据库

爬取到的数据我们得有个地方来保存，可以使用文件，也可以使用数据库，这里我会使用mysql，还有更适合爬虫的MongoDB数据库，以及分布式要用到的redis 数据库

爬虫框架

PySpider和Scrapy这两个爬虫框架是非常NB的,简单的爬虫可以使用urllib与urllib2以及正则表达式就能完成，但高级的爬虫还得用这两个框架。 这两个框架需要另行安装。后面一起学习.

反爬虫

有时候你的网站数据想禁止别人爬取，可以做一些反爬虫处理操作。 打比方网络上就无法去查找淘宝上的数据，这样就避开了搜索引擎的竞争，淘宝就可以搞自己的一套竞价排名

分布式爬虫

使用多个redis实例来缓存各台主机上爬取的数据。

爬虫要学的东西还是挺多的，想把爬虫玩得666，基本就是这些知识点吧！