爬虫第一课，python为什么叫爬虫

爬虫第一课，python为什么叫爬虫

1.http:(1)当⽤户在地址输⼊了⽹址 发送⽹络请求的过程是什么 (2)http的请求⽅式 get请求 (1)⽐较便捷 缺点:不安全:明⽂ 参数的⻓度有限制 post请求 (1)⽐较安全 (2)数据整体没有限制 (3)上传⽂件 put(不完全的) delete(删除 ⼀ 些信息) head(请求头) 发送⽹络请求(需要带 ⼀ 定的数据给服务器不带数据也可以) 请求头⾥⾯requestheader 返回数据:response (1)Accept:⽂本的格式 (2)Accept - Encoding:编码格式 (3)Connection:⻓链接 短链接 (4)Cookie:验证⽤的 (5)Host:域名 (6)Referer:标志从哪个⻚⾯跳转过来的 (7)User - Agent:浏览器和⽤户的信息 2. 爬⾍⼊⻔:使⽤代码模拟⽤户 批量的发送⽹络请求 批量的获取数据 (1)爬⾍的价值: 1. 买卖数据(⾼端的领域价格特别贵)2. 数据分析:出分析报告 3. 流量 4. 指数阿⾥指数,百度指数 (3)合法性:灰⾊产业 政府没有法律规定爬⾍是违法的,也没有法律规定爬⾍是合法的 公司概念:公司让你爬数据库(窃取商业机密)责任在公司 (4)爬⾍可以爬取所有东⻄?(不是)爬⾍只能爬取⽤户能访问到的数据 爱奇艺的视频(vip⾮vip) 1. 普通⽤户 只能看⾮vip 爬取⾮vip的的视频 2.vip 爬取vip的视频 3. 普通⽤户想要爬取vip视频(⿊客) 爬⾍的分类:(1)通⽤爬⾍ 1. 使⽤搜索引擎:百度 ⾕歌 360 雅⻁ 搜狗 优势:开放性 速度快 劣势:⽬标不明确 返回内容:基本上%90是⽤户不需要的 不清楚⽤户的需求在哪⾥ (2)聚焦爬⾍(学习) 1. ⽬标明确 2. 对⽤户的需求⾮常精准 3. 返回的内容很固定 增量式:翻⻚:从第 ⼀ ⻚请求到最后 ⼀ ⻚ Deep 深度爬⾍:静态数据:html css 动态数据:js代码,加密的js robots:是否允许其他爬⾍(通⽤爬⾍)爬取某些内容 聚焦爬⾍不遵守robots 爬⾍和反扒做⽃争:资源对等 胜利的永远是爬⾍ 爬⾍的⼯作原理: 1. 缺⼈你抓取⽬标的url是哪 ⼀ 个(找) 2. 使⽤python代码发送请求获取数据(java Go) 3. 解析获取到的数据(精确数据)(1)找到新的⽬标(url)回到第 ⼀ 步(⾃动化) 4. 数据持久化 python3(原⽣提供的模块):urlib.rquest: (1)urlopen : 1. 返回response对象 2.response.read() 3.bytes.decode( " utf - 8 " ) (2)get:传参 1. 汉字报错 :解释器ascii没有汉字,url汉字转码 (3)post (4)handle处理器的⾃定义 (5)urlError python(原⽣提供的):urlib2 接下来将的知识点: 5.request(第三⽅) 6. 数据解析:xpath bs4 7. 数据存储