"前言简单来说互联网是由一个个站点和网络设备组成的大网，我们通过浏览器访问站点，站点把 HTML、JS、CSS 代码返回给浏览器，这些代码经过浏览器解析、渲染，将丰富多彩的网页呈现我们眼前；一、爬虫是什么？如果我们把互联网比作一张大的蜘蛛网，数据便是存放于蜘蛛网的各个节点，而爬虫就是一只小蜘蛛， ...."

someone1
AI专业者开发社区 1 号成员
AI开发者社区 • 0 回帖 • 9 浏览 • 4 个月前

Python爬虫原理

前言

简单来说互联网是由一个个站点和网络设备组成的大网，我们通过浏览器访问站点，站点把 HTML、JS、CSS 代码返回给浏览器，这些代码经过浏览器解析、渲染，将丰富多彩的网页呈现我们眼前；

一、爬虫是什么？

如果我们把互联网比作一张大的蜘蛛网，数据便是存放于蜘蛛网的各个节点，而爬虫就是一只小蜘蛛，

沿着网络抓取自己的猎物（数据）爬虫指的是：向网站发起请求，获取资源后分析并提取有用数据的程序；

从技术层面来说就是通过程序模拟浏览器请求站点的行为，把站点返回的 HTML 代码 /JSON 数据 / 二进制数据（图片、视频）爬到本地，进而提取自己需要的数据，存放起来使用；

二、爬虫的基本流程：

用户获取网络数据的方式：

方式 1：浏览器提交请求 ---> 下载网页代码 ---> 解析成页面

方式 2：模拟浏览器发送请求 (获取网页代码)-> 提取有用的数据 -> 存放于数据库或文件中

爬虫要做的就是方式 2；

1、发起请求

使用 http 库向目标站点发起请求，即发送一个 Request

Request 包含：请求头、请求体等

Request 模块缺陷：不能执行 JS 和 CSS 代码

2、获取响应内容

如果服务器能正常响应，则会得到一个 Response

Response 包含：html，json，图片，视频等

3、解析内容

解析 html 数据：正则表达式（RE 模块），第三方解析库如 Beautifulsoup，pyquery 等

解析 json 数据：json 模块

解析二进制数据: 以 wb 的方式写入文件

4、保存数据

数据库（MySQL，Mongdb、Redis）

文件

三、http 协议请求与响应

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

1、请求方式：

常见的请求方式：GET / POST

2、请求的 URL

url 全球统一资源定位符，用来定义互联网上一个唯一的资源例如：一张图片、一个文件、一段视频都可以用 url 唯一确定

url 编码

https://www.baidu.com/s?wd= 图片

图片会被编码（看示例代码）

网页的加载过程是：

加载一个网页，通常都是先加载 document 文档，

在解析 document 文档的时候，遇到链接，则针对超链接发起下载图片的请求

3、请求头

User-agent：请求头中如果没有 user-agent 客户端配置，服务端可能将你当做一个非法用户 host；

cookies：cookie 用来保存登录信息

注意：一般做爬虫都会加上请求头

请求头需要注意的参数：

（1）Referrer：访问源至哪里来（一些大型网站，会通过 Referrer 做防盗链策略；所有爬虫也要注意模拟）

（2）User-Agent: 访问的浏览器（要加上否则会被当成爬虫程序）

（3）cookie：请求头注意携带

4、请求体

请求体
    如果是 get 方式，请求体没有内容 （get 请求的请求体放在 url 后面参数中，直接能看到）
    如果是 post 方式，请求体是 format data
ps：
1、登录窗口，文件上传等，信息都会被附加到请求体内
2、登录，输入错误的用户名密码，然后提交，就可以看到post，正确登录后页面通常会跳转，无法捕捉到post</pre>

 
五、 响应 Response
1、响应状态码
　　200：代表成功
　　301：代表跳转
　　404：文件不存在
　　403：无权限访问
　　502：服务器错误
 
2、respone header

响应头需要注意的参数：
（1）Set-Cookie:BDSVRTM=0; path=/：可能有多个，是来告诉浏览器，把 cookie 保存下来
（2）Content-Location：服务端响应头中包含 Location 返回浏览器之后，浏览器就会重新访问另一个页面
 
 
3、preview 就是网页源代码
JSO 数据
如网页 html，图片
二进制数据等 
 
 
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（可以驱动浏览器解析渲染 CSS 和 JS，但有性能劣势（有用没用的网页都会加载）；）
 解析库：正则，beautifulsoup，pyquery
 存储库：文件，MySQL，Mongodb，Redis
 
3、爬获校花网
最后送给大家点福利吧
基础版：


import re
import requests
respose=requests.get('http://www.xiaohuar.com/v/')
# print(respose.status_code)# 响应的状态码
# print(respose.content)  #返回字节信息
# print(respose.text)  #返回文本内容
urls=re.findall(r'class="items".?href="(.?)"',respose.text,re.S)  #re.S 把文本信息转换成 1 行匹配
url=urls[5]
result=requests.get(url)
mp4_url=re.findall(r'id="media".?src="(.?)"',result.text,re.S)[0]
video=requests.get(mp4_url)
with open('D:\a.mp4','wb') as f:
f.write(video.content)


View Code
 
函数封装版


import re
import requests
import hashlib
import time
# respose=requests.get('http://www.xiaohuar.com/v/')
# # print(respose.status_code)# 响应的状态码
# # print(respose.content)  #返回字节信息
# # print(respose.text)  #返回文本内容
# urls=re.findall(r'class="items".?href="(.?)"',respose.text,re.S)  #re.S 把文本信息转换成 1 行匹配
# url=urls[5]
# result=requests.get(url)
# mp4_url=re.findall(r'id="media".?src="(.?)"',result.text,re.S)[0]

# video=requests.get(mp4_url)

# with open('D:\a.mp4','wb') as f:
#     f.write(video.content)


def get_index(url):
respose = requests.get(url)
if respose.status_code==200:
return respose.text
def parse_index(res):
urls = re.findall(r'class="items".?href="(.?)"', res,re.S)  # re.S 把文本信息转换成 1 行匹配
return urls
def get_detail(urls):
for url in urls:
if not url.startswith('http'):
url='http://www.xiaohuar.com%s' %url
result = requests.get(url)
if result.status_code==200 :
mp4_url_list = re.findall(r'id="media".?src="(.?)"', result.text, re.S)
if mp4_url_list:
mp4_url=mp4_url_list[0]
print(mp4_url)
# save(mp4_url)
def save(url):
video = requests.get(url)
if video.status_code==200:
m=hashlib.md5()
m.updata(url.encode('utf-8'))
m.updata(str(time.time()).encode('utf-8'))
filename=r'%s.mp4'% m.hexdigest()
filepath=r'D:\%s'%filename
with open(filepath, 'wb') as f:
f.write(video.content)
def main():
for i in range(5):
res1 = get_index('http://www.xiaohuar.com/list-3-%s.html'% i )
res2 = parse_index(res1)
get_detail(res2)
if name == 'main':
main()


View Code
 
并发版（如果一共需要爬 30 个视频，开 30 个线程去做，花的时间就是 其中最慢那份的耗时时间）


import re
import requests
import hashlib
import time
from concurrent.futures import ThreadPoolExecutor
p=ThreadPoolExecutor(30) #创建 1 个程池中，容纳线程个数为 30 个；
def get_index(url):
respose = requests.get(url)
if respose.status_code==200:
return respose.text
def parse_index(res):
res=res.result() #进程执行完毕后，得到 1 个对象
urls = re.findall(r'class="items".?href="(.?)"', res,re.S)  # re.S 把文本信息转换成 1 行匹配
for url in urls:
p.submit(get_detail(url))  #获取详情页 提交到线程池
def get_detail(url):  #只下载 1 个视频
if not url.startswith('http'):
url='http://www.xiaohuar.com%s' %url
result = requests.get(url)
if result.status_code==200 :
mp4_url_list = re.findall(r'id="media".?src="(.?)"', result.text, re.S)
if mp4_url_list:
mp4_url=mp4_url_list[0]
print(mp4_url)
# save(mp4_url)
def save(url):
video = requests.get(url)
if video.status_code==200:
m=hashlib.md5()
m.updata(url.encode('utf-8'))
m.updata(str(time.time()).encode('utf-8'))
filename=r'%s.mp4'% m.hexdigest()
filepath=r'D:\%s'%filename
with open(filepath, 'wb') as f:
f.write(video.content)
def main():
for i in range(5):
p.submit(get_index,'http://www.xiaohuar.com/list-3-%s.html'% i ).add_done_callback(parse_index)
#1、先把爬主页的任务（get_index）异步提交到线程池
#2、get_index 任务执行完后，会通过回调函 add_done_callback（）数通知主线程，任务完成；
#2、把 get_index 执行结果（注意线程执行结果是对象，调用 res=res.result() 方法，才能获取真正执行结果），当做参数传给 parse_index
#3、parse_index 任务执行完毕后，
#4、通过循环，再次把获取详情页 get_detail（）任务提交到线程池执行
if name == 'main':
main()


View Code
 
涉及知识：多线程多进程
计算密集型任务：使用多进程，因为能 Python 有 GIL，多进程可以利用上 CPU 多核优势；
IO 密集型任务：使用多线程，做 IO 切换节省任务执行时间（并发）
线程池
 
 
参考博客：
瞎驴http://www.cnblogs.com/linhaifeng/articles/7773496.html

Python爬虫原理

前言

一、爬虫是什么？

二、爬虫的基本流程：

三、http 协议请求与响应

四、 request

五、响应 Response

六、总结

相关帖子

随便看看