爬蟲前奏

什么是爬蟲

“網絡爬蟲，又被稱為網頁蜘蛛，網絡機器人，在FOAF社區中間，更經常的稱為網頁追逐者，是一種按照一定的規則，自動地抓取萬維網信息的程序或者腳本，另外一些不常使用的名字還有螞蟻、自動索引、模擬程序或者蠕蟲?！?/p>

爬蟲應用場景

• 搜索引擎公司（谷歌：全球最大的爬蟲，百度：國內最大的爬蟲）；
• 輿情分析與數據挖掘；
• 惠惠購物助手；
• 數據分析；
• 搶票軟件等。

為什么用Python寫爬蟲

• PHP：PHP是世界上最好的語言，但他天生不是做爬蟲的料，而且對多線程、異步支持也并不是很理想，并發處理能力弱。爬蟲是一種工具性程序，對速度和效率要求都是較高的。
• JAVA：生態圈很完善，是Python爬蟲最大的競爭對手。但是JAVA語言本身過于笨重，代碼量很大。重構的成本高，任何一個細微的修改都可能導致代碼大量改動。而爬蟲需要經常性的做改動，修改采集代碼。
• C/C++：運行效率是無敵的。但是學習和開發成本高。寫個爬蟲小程序可能要大半天時間。
• Python：語法優美、代碼簡潔、開發效率高、支持模塊多。相關的HTTP請求模塊和HTTP解析模塊非常豐富。還有Scrapy和Scrapy-redis框架讓我們開發爬蟲變得異常簡單。

開發工具的安裝

安裝Python

下載地址：https://www.python.org/
或者使用Anaconda：https://www.anaconda.com/
哪個軟件無所謂，只要是Python3.6以上的版本就可以了。

安裝Pycharm

Pycharm Commnity（社區版）：對于不需要做web開發，不需要使用Professional（專業版），使用Community版就足夠了，并且這個軟件功能很強大，而且免費！
下載地址：https://www.jetbrains.com/pycharm/download/#section=windows

安裝Chrome：

下載地址：https://www.google.com/chrome/
如果是下載不了，說明被墻了，可用各大軟件管家安裝。

HTTP協議

HTTP協議介紹

• HTTP協議：全稱是是HyperText Transfer
  Protocol，中文意思是超文本傳輸協議，是一種發布和接收HTML（HyperText Markup
  Language）頁面的方法。服務器端口號是80端口。
• HTTPS協議：是HTTP協議的加密版本，在HTTP下加入了SSL層。服務器端口號是443端口。
• 更多介紹請參考百度百科。

URL詳解

URL是Uniform Resource Locator的簡寫，統一資源定位符。 一個URL由以下幾部分組成：

scheme://host:port/path/?query-string=xxx#anchor

scheme：代表的是訪問的協議，一般為http或者https以及ftp等。
host：主機名，域名，比如www.baidu.com。
port：端口號。當你訪問一個網站的時候，瀏覽器默認使用80端口。
path：查找路徑。比如：www.jianshu.com/trending/now，后面的trending/now就是path。
query-string：查詢字符串，比如：www.baidu.com/s?wd=python，后面的wd=python就是查詢字符串。
anchor：錨點，前端用來做頁面定位的?，F在一些前后端分離項目，也用錨點來做導航。

在瀏覽器中請求一個url，瀏覽器會對這個url進行一個編碼。除英文字母，數字和部分符號外，其他的全部使用百分號+十六進制碼值進行編碼。

常見的請求Method

在Http協議中，定義了八種請求方法。這里介紹兩種常用的請求方法，分別是get請求和post請求。

get請求：一般情況下，只從服務器獲取數據下來，并不會對服務器資源產生任何影響的時候會使用get請求。

post請求：向服務器發送數據（登錄）、上傳文件等，會對服務器資源產生影響的時候會使用post請求。 以上是在網站開發中常用的兩種方法。并且一般情況下都會遵循使用的原則。但是有的網站和服務器為了做反爬蟲機制，也經常會不按常理出牌，有可能一個應該使用get方法的請求就一定要改成post請求，這個要視情況而定。

常見的請求頭參數

在http協議中，向服務器發送一個請求，數據分為三部分，第一個是把數據放在url中，第二個是把數據放在body中（在post請求中），第三個就是把數據放在head中。這里介紹在網絡爬蟲中經常會用到的一些請求頭參數：

User-Agent：瀏覽器名稱。這個在網絡爬蟲中經常會被使用到。請求一個網頁的時候，服務器通過這個參數就可以知道這個請求是由哪種瀏覽器發送的。如果我們是通過爬蟲發送請求，那么我們的User-Agent就是Python，這對于那些有反爬蟲機制的網站來說，可以輕易的判斷你這個請求是爬蟲。因此我們要經常設置這個值為一些瀏覽器的值，來偽裝我們的爬蟲。
Referer：表明當前這個請求是從哪個url過來的。這個一般也可以用來做反爬蟲技術。如果不是從指定頁面過來的，那么就不做相關的響應。
Cookie：http協議是無狀態的。也就是同一個人發送了兩次請求，服務器沒有能力知道這兩個請求是否來自同一個人。因此這時候就用cookie來做標識。一般如果想要做登錄后才能訪問的網站，那么就需要發送cookie信息了。

常見的響應狀態碼

200：請求正常，服務器正常的返回數據。
301：永久重定向。比如在訪問www.jingdong.com的時候會重定向到www.jd.com。
302：臨時重定向。比如在訪問一個需要登錄的頁面的時候，而此時沒有登錄，那么就會重定向到登錄頁面。
400：請求的url在服務器上找不到。換句話說就是請求url錯誤。
403：服務器拒絕訪問，權限不夠。
500：服務器內部錯誤。可能是服務器出現bug了。

Chrome抓包工具

Elements

可以幫助我們分析網頁結構，獲取我們想要的數據。但是Elements下是最終呈現的網頁數據，有時候網頁數據是通過ajax請求得到的，因此Elements下的數據不能完全相信。

Console

用來打印網頁的一些信息。

Sources

整個網頁所加載的所有文件。

Network

查看整個網頁發送的所有網絡請求。一般我們想要去查看某個請求的信息，都可以到這個里面去看。

總結

以上是生活随笔為你收集整理的爬虫前奏的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。