网络爬虫（又被称为网页蜘蛛，网络机器人，在FOAF社区中间，更经常的称为网页追逐者），是一种按照一定的规则，自动地抓取万维网信息的程序或者脚本。另外一些不常使用的名字还有蚂蚁、自动索引、模拟程序或者蠕虫。

 

　　其实通俗的讲就是通过程序去获取web页面上自己想要的数据，也就是自动抓取数据。

 

　　你可以爬去妹子的图片，爬取自己想看看的视频。。等等你想要爬取的数据，只要你能通过浏览器访问的数据都可以通过爬虫获取

 

　　模拟浏览器打开网页，获取网页中我们想要的那部分数据

 

　　浏览器打开网页的过程：

 

　　当你在浏览器中输入地址后，经过DNS服务器找到服务器主机，向服务器发送一个请求，服务器经过解析后发送给用户浏览器结果，包括html,js,css等文件内容，浏览器解析出来最后呈现给用户在浏览器上看到的结果

 

　　所以用户看到的浏览器的结果就是由HTML代码构成的，我们爬虫就是为了获取这些内容，通过分析和过滤html代码，从中获取我们想要资源（文本，图片，视频.....）

 

　　发起请求

 

　　通过HTTP库向目标站点发起请求，也就是发送一个Request，请求可以包含额外的header等信息，等待服务器响应

 

　　获取响应内容

 

　　如果服务器能正常响应，会得到一个Response，Response的内容便是所要获取的页面内容，类型可能是HTML,Json字符串，二进制数据（图片或者视频）等类型

 

　　解析内容

 

　　得到的内容可能是HTML,可以用正则表达式，页面解析库进行解析，可能是Json,可以直接转换为Json对象解析，可能是二进制数据，可以做保存或者进一步的处理

 

　　保存数据

 

　　保存形式多样，可以存为文本，也可以保存到数据库，或者保存特定格式的文件

 

　　浏览器发送消息给网址所在的服务器，这个过程就叫做HTPP Request

 

　　服务器收到浏览器发送的消息后，能够根据浏览器发送消息的内容，做相应的处理，然后把消息回传给浏览器，这个过程就是HTTP Response

 

　　浏览器收到服务器的Response信息后，会对信息进行相应的处理，然后展示

 

　　请求方式

 

　　主要有：GET/POST两种类型常用，另外还有HEAD/PUT/DELETE/OPTIONS

 

　　GET和POST的区别就是：请求的数据GET是在url中，POST则是存放在头部

 

　　GET:向指定的资源发出“显示”请求。使用GET方法应该只用在读取数据，而不应当被用于产生“副作用”的操作中，例如在Web Application中。其中一个原因是GET可能会被网络蜘蛛等随意访问

 

　　POST:向指定资源提交数据，请求服务器进行处理（例如提交表单或者上传文件）。数据被包含在请求本文中。这个请求可能会创建新的资源或修改现有资源，或二者皆有。

 

　　HEAD：与GET方法一样，都是向服务器发出指定资源的请求。只不过服务器将不传回资源的本文部分。它的好处在于，使用这个方法可以在不必传输全部内容的情况下，就可以获取其中“关于该资源的信息”（元信息或称元数据）。

 

　　PUT：向指定资源位置上传其最新内容。

 

　　OPTIONS：这个方法可使服务器传回该资源所支持的所有HTTP请求方法。用'*'来代替资源名称，向Web服务器发送OPTIONS请求，可以测试服务器功能是否正常运作。

 

　　DELETE：请求服务器删除Request-URI所标识的资源。

 

　　请求URL

 

　　URL，即统一资源定位符，也就是我们说的网址，统一资源定位符是对可以从互联网上得到的资源的位置和访问方法的一种简洁的表示，是互联网上标准资源的地址。互联网上的每个文件都有一个唯一的URL，它包含的信息指出文件的位置以及浏览器应该怎么处理它。

 

　　URL的格式由三个部分组成：

 

　　第一部分是协议(或称为服务方式)。

 

　　第二部分是存有该资源的主机IP地址(有时也包括端口号)。

 

　　第三部分是主机资源的具体地址，如目录和文件名等。

 

　　爬虫爬取数据时必须要有一个目标的URL才可以获取数据，因此，它是爬虫获取数据的基本依据。

 

　　请求头

 

　　包含请求时的头部信息，如User-Agent,Host,Cookies等信息，下图是请求请求百度时，所有的请求头部信息参数

 

　　请求体

 

　　请求是携带的数据，如提交表单数据时候的表单数据（POST）

 

　　所有HTTP响应的第一行都是状态行，依次是当前HTTP版本号，3位数字组成的状态代码，以及描述状态的短语，彼此由空格分隔。

 

　　响应状态

 

　　有多种响应状态，如：200代表成功，301跳转，404找不到页面，502服务器错误

 

　　1xx消息——请求已被服务器接收，继续处理

 

　　2xx成功——请求已成功被服务器接收、理解、并接受

 

　　3xx重定向——需要后续操作才能完成这一请求

 

　　4xx请求错误——请求含有词法错误或者无法被执行

 

　　5xx服务器错误——服务器在处理某个正确请求时发生错误 常见代码： 200 OK 请求成功 400 Bad Request

 

　　客户端请求有语法错误，不能被服务器所理解 401 Unauthorized

 

　　请求未经授权，这个状态代码必须和报头域一起使用 403 Forbidden 服务器收到请求，但是拒绝提供服务

 

　　404 Not Found 请求资源不存在，eg：输入了错误的URL 500 Internal Server Error

 

　　服务器发生不可预期的错误 503 Server Unavailable 服务器当前不能处理客户端的请求，一段时间后可能恢复正常 301

 

　　目标永久性转移 302 目标暂时性转移

 

　　响应头

 

　　如内容类型，类型的长度，服务器信息，设置Cookie,如下图

 

　　响应体

 

　　最主要的部分，包含请求资源的内容，如网页HTMl,图片，二进制数据等

 

　　网页文本：如HTML文档，Json格式化文本等

 

　　图片：获取到的是二进制文件，保存为图片格式

 

　　视频:同样是二进制文件

 

　　其他：只要请求到的，都可以获取

 

　　直接处理

 

　　Json解析

 

　　正则表达式处理

 

　　BeautifulSoup解析处理

 

　　PyQuery解析处理

 

　　XPath解析处理

 

　　出现这种情况是因为，很多网站中的数据都是通过js，ajax动态加载的，所以直接通过get请求获取的页面和浏览器显示的不同。

 

　　如何解决js渲染的问题？

 

　　分析ajax

 

　　Selenium/webdriver

 

　　Splash

 

　　PyV8,Ghost.py

 

　　文本：纯文本，Json,Xml等

 

　　关系型数据库：如mysql,oracle,sql server等结构化数据库

 

　　非关系型数据库：MongoDB,Redis等key-value形式存储

 

　　Requests是用python语言基于urllib编写的，采用的是Apache2 Licensed开源协议的HTTP库

 

　　如果你看过上篇文章关于urllib库的使用，你会发现，其实urllib还是非常不方便的，而Requests它会比urllib更加方便，可以节约我们大量的工作。（用了requests之后，你基本都不愿意用urllib了）一句话，requests是python实现的最简单易用的HTTP库，建议爬虫使用requests库。

 

　　默认安装好python之后，是没有安装requests模块的，需要单独通过pip安装

 

　　我们可以看出response使用起来确实非常方便，这里有个问题需要注意一下：

 

　　很多情况下的网站如果直接response.text会出现乱码的问题，所以这个使用response.content

 

　　这样返回的数据格式其实是二进制格式，然后通过decode()转换为utf-8，这样就解决了通过response.text直接返回显示乱码的问题.

 

　　请求发出后，Requests 会基于 HTTP 头部对响应的编码作出有根据的推测。当你访问 response.text

 

　　之时，Requests 会使用其推测的文本编码。你可以找出 Requests 使用了什么编码，并且能够使用 response.encoding

 

　　属性来改变它.如：

 

　　不管是通过response.content.decode("utf-8)的方式还是通过response.encoding="utf-8"的方式都可以避免乱码的问题发生

 

　　requests里提供个各种请求方式

 

　　请求

 

　　基本GET请求

 

　　带参数的GET请求，例子1

 

　　如果我们想要在URL查询字符串传递数据，通常我们会通过httpbin.org/get?key=val方式传递。Requests模块允许使用params关键字传递参数，以一个字典来传递这些参数，例子如下：

 

　　上述两种的结果是相同的，通过params参数传递一个字典内容，从而直接构造url

 

　　注意：第二种方式通过字典的方式的时候，如果字典中的参数为None则不会添加到url上

 

　　解析json

 

　　从结果可以看出requests里面集成的json其实就是执行了json.loads()方法，两者的结果是一样的

 

　　获取二进制数据

 

　　在上面提到了response.content，这样获取的数据是二进制数据，同样的这个方法也可以用于下载图片以及

 

　　视频资源

 

　　添加headers

 

　　和前面我们将urllib模块的时候一样，我们同样可以定制headers的信息，如当我们直接通过requests请求知乎网站的时候，默认是无法访问的

 

　　这样会得到如下的错误

 

　　因为访问知乎需要头部信息，这个时候我们在谷歌浏览器里输入就可以看到用户代理，将用户代理添加到头部信息

 

　　这样就可以正常的访问知乎了

 

　　基本POST请求

 

　　通过在发送post请求时添加一个data参数，这个data参数可以通过字典构造成，这样

 

　　对于发送post请求就非常方便

 

　　同样的在发送post请求的时候也可以和发送get请求一样通过headers参数传递一个字典类型的数据

 

　　响应

 

　　我们可以通过response获得很多属性，例子如下

 

　　结果如下：

 

　　状态码判断

 

　　Requests还附带了一个内置的状态码查询对象

 

　　主要有如下内容：

 

　　100: ('continue',),

 

　　101: ('switching_protocols',),

 

　　102: ('processing',),

 

　　103: ('checkpoint',),

 

　　122: ('uri_too_long', 'request_uri_too_long'),

 

　　200: ('ok', 'okay', 'all_ok', 'all_okay', 'all_good', '\o/', '?'),

 

　　201: ('created',),

 

　　202: ('accepted',),

 

　　203: ('non_authoritative_info', 'non_authoritative_information'),

 

　　204: ('no_content',),

 

　　205: ('reset_content', 'reset'),

 

　　206: ('partial_content', 'partial'),

 

　　207: ('multi_status', 'multiple_status', 'multi_stati', 'multiple_stati'),

 

　　208: ('already_reported',),

 

　　226: ('im_used',),

 

　　Redirection.

 

　　300: ('multiple_choices',),

 

　　301: ('moved_permanently', 'moved', '\o-'),

 

　　302: ('found',),

 

　　303: ('see_other', 'other'),

 

　　304: ('not_modified',),

 

　　305: ('use_proxy',),

 

　　306: ('switch_proxy',),

 

　　307: ('temporary_redirect', 'temporary_moved', 'temporary'),

 

　　308: ('permanent_redirect',

 

　　'resume_incomplete', 'resume',), # These 2 to be removed in 3.0

 

　　Client Error.

 

　　400: ('bad_request', 'bad'),

 

　　401: ('unauthorized',),

 

　　402: ('payment_required', 'payment'),

 

　　403: ('forbidden',),

 

　　404: ('not_found', '-o-'),

 

　　405: ('method_not_allowed', 'not_allowed'),

 

　　406: ('not_acceptable',),

 

　　407: ('proxy_authentication_required', 'proxy_auth', 'proxy_authentication'),

 

　　408: ('request_timeout', 'timeout'),

 

　　409: ('conflict',),

 

　　410: ('gone',),

 

　　411: ('length_required',),

 

　　412: ('precondition_failed', 'precondition'),

 

　　413: ('request_entity_too_large',),

 

　　414: ('request_uri_too_large',),

 

　　415: ('unsupported_media_type', 'unsupported_media', 'media_type'),

 

　　416: ('requested_range_not_satisfiable', 'requested_range', 'range_not_satisfiable'),

 

　　417: ('expectation_failed',),

 

　　418: ('im_a_teapot', 'teapot', 'i_am_a_teapot'),

 

　　421: ('misdirected_request',),

 

　　422: ('unprocessable_entity', 'unprocessable'),

 

　　423: ('locked',),

 

　　424: ('failed_dependency', 'dependency'),

 

　　425: ('unordered_collection', 'unordered'),

 

　　426: ('upgrade_required', 'upgrade'),

 

　　428: ('precondition_required', 'precondition'),

 

　　429: ('too_many_requests', 'too_many'),

 

　　431: ('header_fields_too_large', 'fields_too_large'),

 

　　444: ('no_response', 'none'),

 

　　449: ('retry_with', 'retry'),

 

　　450: ('blocked_by_windows_parental_controls', 'parental_controls'),

 

　　451: ('unavailable_for_legal_reasons', 'legal_reasons'),

 

　　499: ('client_closed_request',),

 

　　Server Error.

 

　　500: ('internal_server_error', 'server_error', '/o\', '?'),

 

　　501: ('not_implemented',),

 

　　502: ('bad_gateway',),

 

　　503: ('service_unavailable', 'unavailable'),

 

　　504: ('gateway_timeout',),

 

　　505: ('http_version_not_supported', 'http_version'),

 

　　506: ('variant_also_negotiates',),

 

　　507: ('insufficient_storage',),

 

　　509: ('bandwidth_limit_exceeded', 'bandwidth'),

 

　　510: ('not_extended',),

 

　　511: ('network_authentication_required', 'network_auth', 'network_authentication'),

 

　　通过下面例子测试：（不过通常还是通过状态码判断更方便）

 

　　文件上传

 

　　实现方法和其他参数类似，也是构造一个字典然后通过files参数传递

 

　　结果如下：

 

　　获取cookie

 

　　会话维持

 

　　cookie的一个作用就是可以用于模拟登陆，做会话维持

 

　　这是正确的写法，而下面的写法则是错误的

 

　　心得体会

 

　　request是最基本的爬虫库了， 建议新手把测试案例都运行一下，体会一下爬虫的过程。

 

　　体会一下模拟浏览器访问各个阶段、数据是如何交互的、如何处理的。