北京网站建设 标准型 新翼,世界比分榜,一个网站如何做双语,推广平台怎么找客源文章目录前言:fu:. 爬虫概述:hotdog:原理解剖:one: 服务器渲染:two: 前端JS渲染:fire: 第一个爬虫程序案例总结前言
最近正在学习Python网络爬虫的相关知识#xff0c;鉴于本人Python水平有限 , 对Python并无太深的理解#xff0c;所以此文章的主要目的在于抛砖引玉#xf…
文章目录前言:fu:. 爬虫概述:hotdog:原理解剖:one: 服务器渲染:two: 前端JS渲染:fire: 第一个爬虫程序案例总结前言
最近正在学习Python网络爬虫的相关知识鉴于本人Python水平有限 , 对Python并无太深的理解所以此文章的主要目的在于抛砖引玉若文章中有什么错误与瑕疵望大家可以指出使我们共同进步。 提示以下是本篇文章正文内容下面案例可供参考
. 爬虫概述
网络爬虫是一种自动获取网页内容的程序是搜索引擎的重要组成部分。一般人能访问到的网页爬虫也都能抓取。所谓的爬虫抓取也是类似于我们浏览网页。
爬⾍合法么?
⾸先, 爬⾍在法律上是不被禁⽌的. 也就是说法律是允许爬⾍存在的。但是 爬⾍也具有违法⻛险的就像菜⼑⼀样, 法律是允许菜⼑的存在的但是你要是⽤来砍⼈, 那对不起. 没⼈惯着你. 就像王欣说过的技术是⽆罪的。主要看你⽤它来⼲嘛. ⽐⽅说有些⼈就利⽤爬⾍⼀些⿊客技术每秒钟对着bilibili撸上⼗万⼋千次. 那这个肯定是不被允许的。 ❤️因此网站中有些数据可以被爬取有些不可以被爬取俗称君子协议robots.txt。
原理解剖
1️⃣首先先介绍一下HTTP协议Hyper Text Transfer Protocol(超文本传输协议)的缩写是用于从万维网(WWW:World Wide Web)服务器传输超文本到本地浏览器的传送协议直白点儿就是浏览器和服务器之间的数据交互遵守的就是HTP协议。
HTTP协议把一条消息分为以下内容。
请求 1.请求行 - 请求方式(get/post)请求url地址协议 2.请求头 - 放一些服务器要使用的附加信息 3请求体 - 一般放一些请求参数 响应 1 状态行 - 协议状态码 2 响应头 - 放一些客户端要使用的一些附加信息 3 响应体 - 服务返回的真正客户端要用的内容(HTML,json)等 requests库共有如下七个主要方法get()方法要涉及requests库的两个重要对象——Request与Response.
Request对象包含了向服务器请求的相关操作的信息Response对象包含了爬虫从服务器所返回的全部信息
Response类含有以下的属性
在访问百度的时候, 浏览器会把这⼀次请求发 送到百度的服务器(百度的⼀台电脑), 由服务器接收到这个请求, 然后加载⼀些数据. 返回给浏览器, 再由浏览器进⾏显示. 听起来好像是个废话…但是这⾥蕴含着⼀个极为重要的东⻄在⾥⾯, 注意, 百度的服务器返回给浏览器的不直接是⻚⾯, ⽽是⻚⾯源代码(由html, css, js组成). 由浏览器把⻚⾯源代码进⾏执⾏, 然后把执⾏之后的结果展示给⽤户. 所以我们能看到在内容中, 我们拿到的是百度的源代码(就是那堆看不懂的⻤东⻄)。 具体过程如图 页面渲染过程我们常⻅的⻚⾯渲染过程有两种
1️⃣ 服务器渲染
由于数据是直接写在html中的, 所以我们能看到的数据都在⻚⾯源代码中能找的到的。这种⽹⻚⼀般都相对⽐较容易就能抓取到⻚⾯内容. 在后面我们写爬虫的时候要格外注意请求头和响应头这两个地方一般都隐含着一些比较重要的内容 请求头中最常见的一些重要内容瓜爬虫需要) 1.User-Agent:请求载体的身份标识用啥发谜的请求 2.Referer:防盗链这次请求是从哪个页面来的反爬会用到) 3.cookie:本地字符串数据信息用户登录信息反爬的token) 响应头中一些重要的内容 1.cookie:本地字符串数据信息用户登录信息反爬的token) 2.各种神奇的莫名其妙的字符串这个需要经验了一般都是token字样防止各种攻击和反爬
非对称秘钥加密“非对称加密”使用的时候有两把锁一把叫做“私有密钥”一把是“公开密钥”使用非对象加密的加密方式的时候服务器首先告诉客户端按照自己给定的公开密钥进行加密处理客户端按照公开密钥加密以后服务器接受到信息再通过自己的私有密钥进行解密这样做的好处就是解密的钥匙根本就不会进行传输因此也就避免了被挟持的风险。就算公开密钥被窃听者拿到了它也很难进行解密因为解密过程是对离散对数求值这可不是轻而易举就能做到的事。 以下是非对称加密的原理图 但是非对称秘钥加密技术也存在如下缺点 第一个是如何保证接收端向发送端发出公开秘钥的时候发送端确保收到的是预先要发送的而不会被挟 持。只要是发送密钥就有可能有被挟持的风险。 第二个是非对称加密的方式教率比较低它处理起来更为复杂通信过程中使用就有一定的效率问题而影响通信速度
2️⃣ 前端JS渲染
这种就稍显麻烦了. 这种机制⼀般是第⼀次请求服务器返回⼀堆HTML框架结构. 然后再次请求到真正保存数据的服务器, 由这个服务器返回数据, 最后在浏览器上对数据进⾏加载. 就像这样: 这样做的好处是服务器那边能缓解压⼒. ⽽且分⼯明确. ⽐较容易维护. 典型的有这么⼀个⽹⻚。 ⭕️ 那数据是何时加载进来的呢? 其实就是在我们进⾏⻚⾯向下滚动的时候, jd就在偷偷的加载数据了, 此时想要看到这个⻚⾯的加载全过程。 我们就需要借助浏览器的调试⼯具了(F12) ⻚⾯上看到的内容其实是后加载进来的。 第一个爬虫程序
我们使⽤urllib来抓取⻚⾯源代码. 这个是python内置的⼀个模块, 但是, 它并不是我们常⽤的爬⾍⼯具. 常⽤的抓取⻚⾯的模块通常使⽤⼀个第三⽅模块requests. 这个模块的优势就是⽐urllib还要简单, 并且处理各种请求都⽐较⽅便。
安装⽅法
pip install requests如果安装速度慢的话可以改⽤国内的源进⾏下载安装.清华源
pip install -i
https://pypi.tuna.tsinghua.edu.cn/simple (下载的包名称)requests 爬⾍就是写程序去模拟浏览器⽤来抓取互联⽹上的内容python中⾃带了⼀个urllib提供给我们进⾏简易爬⾍的编写requests模块的简单使⽤, 包括get, post两种⽅式的请求. 以及User-Agent的介绍.
案例
1️⃣ 抓取搜索词 # 安装requests
# pip install requests
# 国内源
# pip install -i https://pypi.tuna.tsinghua.edu.cn/simple requestsimport requests
query input(输入一个你喜欢的明星)url fhttps://www.sogou.com/web?query{query}dic {User-Agent: Mozilla/5.0 (Macintosh; Intel Mac OS X 10_15_4) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/88.0.4324.182 Safari/537.36
}
resp requests.get(url, headersdic) # 处理一个小小的反爬print(resp)
print(resp.text) # 拿到页面源代码
2️⃣ 抓取百度翻译数据
import requestsurl https://fanyi.baidu.com/sugs input(请输入你要翻译的英文单词)
dat {kw: s
}# 发送post请求, 发送的数据必须放在字典中, 通过data参数进行传递
resp requests.post(url, datadat)
print(resp.json()) # 将服务器返回的内容直接处理成json() dict
3️⃣ 抓取百度翻译数据
import jsonimport requestsurl https://movie.douban.com/j/chart/top_list# 重新封装参数
param {type: 24,interval_id: 100:90,action: ,start: 0,#从库中的第⼏部电影去取limit: 20,#⼀次取出的个数
}headers {User-Agent: Mozilla/5.0 (Macintosh; Intel Mac OS X 10_15_4) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/88.0.4324.182 Safari/537.36
}response requests.get(urlurl,paramsparam,headersheaders)list_data response.json()
fp open(./douban.json, w, encodingutf-8)
json.dump(list_data, fpfp, ensure_asciiFalse)
response.close()
# print(response.json())
print(over!!!)总结
提示这里对文章进行总结
以上就是今天要讲的内容本文仅仅简单介绍了爬虫概述原理简单使用而python提供了大量能使我们快速便捷地爬取数据的api和方法。
