网络爬虫

目录
一、搜索引擎蜘蛛
二、requests库
三、Beautiful Soup
四、爬虫的基本流程

一、搜索引擎蜘蛛

• 爬虫是按照一定规则，自动地提取并保存网页中信息的程序
  蜘蛛沿着网络抓取猎物
  通过一个节点之后，顺着该节点的连线继续爬行到下一个节点，最终爬完整个网络的全部节点
• 通过向网站发起请求获取资源，提取其中有用的信息

二、requests库

• Python实现的一个简单易用的HTTP库
  支持HTTP持久连接和连接池、SSL证书验证、cookies处理、流式上传等
• 向服务器发起请求并获取响应，完成访问网页的步骤
• 简洁、容易理解，是最友好的网络爬虫库
• http请求类型
  requests.request（）：构造一个请求
  requests.get（）：获取HTML网页
  requests.head（）：获取HTML网页头信息
  requests.post（）：提交POST请求
  requests.put（）：提交PUT请求
  requests.patch（）：提交局部修改请求
  requests.delete（）：提交删除请求
  requests.options（）：获取http请求
• 返回的是一个response对象
• response对象
  包含服务器返回的所有信息，例如状态码、编码形式、文本内容等；也包含请求的request信息
  .status_code：HTTP请求的返回状态
  .text：HTTP响应内容的字符串形式
  .content：HTTP响应内容的二进制形式
  .encoding：（从HTTP header中）分析响应内容的编码方式
  .apparent_encoding：（从内容中）分析响应内容的编码方式

image.png

image.png

• 定制请求头
  requests的请求接口有一个名为headers的参数，向它传递一个字典来完成请求头定制
• 设置代理
  一些网站设置了同一IP访问次数的限制，可以在发送请求时指定proxies参数来替换代理，解决这一问题

image.png

三、Beautiful Soup

• 页面解析器
  使用requests库下载了网页并转换成字符串后，需要一个解析器来处理HTML和XML，解析页面格式，提取有用的信息
• 解析器类型

   

  

  image.png
• 搜索方法

find_all（name，attrs，recursive，string，**kwargs）
返回文档中符合条件的所有tag，是一个列表

find（name，attrs，recursive，string，**kwargs）
相当于find_al1（）中limit=1，返回一个结果

name：对标签名称的检索字符串

attrs：对标签属性值的检索字符串

recursive：是否对子节点全部检索，默认为True
string：…>中检索字符串

**kwargs：关键词参数列表

四、爬虫的基本流程

• 分析网页结构

   

  

  image.png
• 爬取页面
  通过requests库向目标站点发送请求，若对方服务器正常响应，能够收到一个response对象，它包含了服务器返回的所有信息

   

  

  image.png
• 解析页面
  HTML代码-网页解析器
  Json数据-json模块，转换成Json对象
  二进制数据一以wb形式写入文件，再做进一步处理此处使用bs4进行解析

   

  

  image.png