文章目录

• 爬虫简介
• • • 简单爬虫小案例： 实现一个图片下载器
• 网络数据采集之requests库（常用）
• • • 小练习：使用get与post方法实现爬取
• 反爬小技巧
• • • 一： 添加 headers
    • 二：IP代理设置
    • 小练习：有道搜索关键词提交

爬虫简介

一、根据使用场景，网络爬虫可分为：通用爬虫 和 聚焦爬虫两种：

• 通用爬虫：

• 聚焦爬虫(重点）

二、 网络爬虫抓取过程可以理解为模拟浏览器操作的过程。

• 要重点理解，当用户输入一个URL后，发生了什么：

一、浏览器获取资源的过程：
1、输入url
2、浏览器解析url，获得主机名
3、将主机名转换成服务器ip地址（查找本地DNS缓存列表，如果没有则向默认的DNS服务器发送查询请求）
4、浏览器建立一条与服务器的TCP连接（三次握手）
5、浏览器向服务器发送http请求
6、服务器向浏览器返回请求响应
7、浏览器关闭连接，并解析文档
8、如果文档中有资源，则重复6/7/8
二、浏览器渲染页面的过程：
1、html生成dom tree
2、css生成 style rules
3、dom 树与style rules 结合生成render tree
4、布局：计算每个节点的信息
5、绘制：根据计算的信息，渲染页面

• 重点理解GET和POST方法：

GET是从服务器上获取数据，POST是向服务器传送数据
GET请求参数显示，都显示在浏览器网址上，即“Get”请求的参数是URL的一部分。
POST请求参数在请求体当中，消息长度没有限制而且以隐式的方式进行发送，通常用来向HTTP服务器提交量比较大的数据（比如请求中包含许多参数或者文件上传操作等），请求的参数包含在“Content-Type”消息头里，指明该消息体的媒体类型和编码，

• Cookie和Session

服务器和客户端的交互仅限于请求/响应过程，结束之后便断开，在下一次请求时，服务器会认为新的客户端。为了维护他们之间的链接，让服务器知道这是前一个用户发送的请求，必须在一个地方保存客户端的信息。
Cookie：通过在客户端记录的信息确定用户的身份。
Session：通过在服务器端记录的信息确定用户的身份。

简单爬虫小案例： 实现一个图片下载器

爬虫步骤分析
1.
需求分析: http://image.baidu.com/search/index?tn=baiduimage&word=cat
想要某个网站的图片，不用自己去搜索，还能自动下载
2. 分析网页源代码，检查元素
3. 编写正则表达式或者其他解析器代码
4. 存储数据到本地
5. 正式编写python爬虫代码

分析网页源代码：

代码地址：百度图片下载器地址

网络数据采集之requests库（常用）

request方法如下：

response对象
Response对象包含服务器返回的所有信息，也包含请求的Request信息。

小练习：使用get与post方法实现爬取

自己写一个服务器来测试，使用requests的get与post方法爬取网址信息
代码地址如下：
服务器终端测试代码
客户端测试代码

反爬小技巧

一： 添加 headers

有些网站访问时必须带有浏览器等信息，如果不传入headers就会报错。

headers = { 'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64; rv:74.0) Gecko/20100101 Firefox/74.0'} response = requests.get(url, headers=headers)

然而，UserAgent是识别浏览器的一串字符串，相当于浏览器的身份证，在利用爬虫爬取网站数据时，频繁更换UserAgent可以避免触发相应的反爬机制。fake-useragent对频繁更换UserAgent提供了很好的支持，可谓防反扒利器。

UserAgent实质上是从网络获取所有的用户代理， 再通过random随机选取一个用户代理。
使用fake-useragent部分代码如下:

from fake_useragent import UserAgent ua = UserAgent() # 从网络获取所有的用户代理 print(ua.random) #可以随机拿出一个用户代理 headers = {'user_Agent': ua.random} response = requests.get('http://127.0.0.1:5000', headers=headers)

二：IP代理设置

在进行爬虫爬取时，有时候爬虫会被服务器给屏蔽掉，这时采用的方法主要有降低访问时间，通过代理IP访问。ip可以从网上抓取，或者某宝购买。比较有名的一个免费的IP代理是：西刺IP代理
使用IP代理部分代码如下：

import requests from fake_useragent import UserAgent

ua = UserAgent() proxies = { 'http': 'http://222.95.144.65:3000', 'https': 'https://182.92.220.212:8080' } response = requests.get('http://47.92.255.98:8000', headers={'User-Agent': ua.random}, proxies=proxies )

如果代理IP使用次数过高则会出现如下报错，需要重新换一个代理IP去设置
requests.exceptions.ProxyError: HTTPConnectionPool(host=‘222.95.144.65’, port=3000): Max retries exceeded with url: http://47.92.255.98:8000/ (Caused by ProxyError(‘Cannot connect to proxy.’, NewConnectionError(’<urllib3.connection.HTTPConnection object at 0x000001F379E31B70>: Failed to establish a new connection: [WinError 10061] 由于目标计算机积极拒绝，无法连接。’)))

小练习：有道搜索关键词提交

需求分析：通过输入要搜索的关键字，获取页面并将页面保存到本地。
代码地址：有道词典关键字搜索页面结果代码
结果展示：输入apologize 后，将获取到的页面存入本地，打开本地的html