爬虫(一)：爬虫简介，

爬虫(一)：爬虫简介，

1. 爬虫简介

1.1 爬虫是什么？

什么是爬虫，以下是百度百科上的解析：

 

 

很多人都将互联网比喻成一张非常大的网，将世界连接起来。如果说互联网是一张网，那么爬虫就像在网上爬的小虫子，通过网页的链接地址来寻找网页，通过特定的搜索算法来确定路线，通常从网站的某一个页面开始，读取该网页的内容，找到该网页中的其他链接地址，然后通过这些链接地址寻找下一个网页，就这样一直循环下去，直到将该网站的所有网页全部抓取为止。 

1.2 爬虫原理

 

 

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

接收响应：
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

解析网页：
解析html数据：正则表达式，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b的方式写入文件

存储资源：
数据库

1.3 发送请求

爬虫的第一个步骤就是对起始 URL 发送请求，以获取其返回的响应

值得注意的是，发送请求实质上是指发送请求报文的过程

请求报文包括以下四个方面：请求行、请求头、空行和请求体。

 

 

（1）请求行

请求行由请求方法、请求 URL 和 HTTP 协议版本 3 个字段组成，字段间使用空格分隔

请求方法：请求方法是指对目标资源的操作方式，常见的有 GET 方法和 POST 方法

GET：从指定的资源请求数据，查询字符串包含在 URL 中发送
POST：向指定的资源提交要被处理的数据，查询字符串包含在请求体中发送

请求 URL：请求 URL 是指目标网站的统一资源定位符 (Uniform Resource Locator，URL)

HTTP 协议版本：HTTP 协议是指通信双方在通信流程和内容格式上共同遵守的标准

（2）请求头

请求头被认为是请求的配置信息，以下列举出常用的请求头信息

User-Agent：包含发出请求的用户的信息，设置 User-Agent 常用于处理反爬虫
Cookie：包含先前请求的内容，设置 Cookie 常用于模拟登陆
Referer：指示请求的来源，用于可以防止链盗以及恶意请求

（3）空行

空行标志着请求头的结束

（4）请求体

请求体根据不同的请求方法包含不同的内容

如果是get方式，请求体没有内容

如果是post方式，请求体是format data

1.4 接收响应

爬虫的第二个步骤就是获取特定 URL 返回的响应，以提取包含在其中的数据。

同样的，响应其实是指完整响应报文，它包括四个部分：响应行、响应头、空行和响应体。

 

（1）响应行

响应行由 HTTP 协议版本、状态码及其描述组成。

HTTP 协议版本：HTTP 协议是指通信双方在通信流程和内容格式上共同遵守的标准。

状态码及其描述：

100~199：信息，服务器收到请求，需要请求者继续执行操作
200~299：成功，操作被成功接收并处理
300~399：重定向，需要进一步的操作以完成请求
400~499：客户端错误，请求包含语法错误或无法完成请求
500~599：服务器错误，服务器在处理请求的过程中发生错误

（2）响应头

响应头用于描述服务器和数据的基本信息，以下列举出常用的响应头信息

Set-Cookie：设置浏览器 Cookie，以后当浏览器访问符合条件的 URL 时，会自动带上该 Cooike

（3）空行

空行标志着响应头的结束。

（4）响应体

响应体就是网站返回的数据，在下一个步骤中我们需要对其进行分析处理。

1.5 解析网页

解析网页实质上需要完成两件事情，一是提取网页上的链接，二是提取网页上的资源。

（1）提取链接

提取链接实质上是指获取存在于待解析网页上的其他网页的链接。

网络爬虫需要给这些链接发送请求，如此循环，直至把特定网站全部抓取完毕为止。

（2）提取资源

提取数据则是爬虫的目的，常见的数据类型如下：

文本：HTML，JSON 等
图片：JPG，GIF，PNG 等
视频：MPEG-1、MPEG-2 和 MPEG4，AVI 等

最终，我们可以对所获得的资源作进一步的处理，从而提取出有价值的信息。