码迷,mamicode.com
首页 > 其他好文 > 详细

爬虫基础

时间:2017-11-06 18:06:14      阅读:144      评论:0      收藏:0      [点我收藏+]

标签:family   with   网页   findall   style   logs   xiaohua   lis   表达式   

一、爬虫的原理

用户获取网络数据的方式:

浏览器提交请求->下载网页代码->解析成页面。而网页代码中便包含了我们想要的数据

爬虫就是模拟浏览器发送请求,然后提取想要的数据,存放于数据库或文件中

#1、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

#2、获取响应内容
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

#3、解析内容
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

#4、保存数据
数据库
文件

二、request

1、请求方式

#1、请求方式:
    常用的请求方式:GET,POST
    其他请求方式:HEAD,PUT,DELETE,OPTHONS

    ps:用浏览器演示get与post的区别,(用登录演示post)

    post与get请求最终都会拼接成这种形式:k1=xxx&k2=yyy&k4=zzz
    post请求的参数放在请求体内:
        可用浏览器查看,存放于form data内
    get请求的参数直接放在url后

#2、请求url
    url全称统一资源定位符,如一个网页文档,一张图片
    一个视频等都可以用url唯一来确定

    url编码
    https://www.baidu.com/s?wd=图片
    图片会被编码(看示例代码)


    网页的加载过程是:
    加载一个网页,通常都是先加载document文档,
    在解析document文档的时候,遇到链接,则针对超链接发起下载图片的请求

#3、请求头
    User-agent:请求头中如果没有user-agent客户端配置,
    服务端可能将你当做一个非法用户
    host
    cookies:cookie用来保存登录信息

    一般做爬虫都会加上请求头


#4、请求体
    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

    ps:
    1、登录窗口,文件上传等,信息都会被附加到请求体内
    2、登录,输入错误的用户名密码,然后提交,就可以看到post,正确登录后页面通常会跳转,无法捕捉到post 
 

三、response

#1、响应状态
    200:代表成功
    301:代表跳转
    404:文件不存在
    403:权限
    502:服务器错误

#2、respone header
    set-cookie:可能有多个,是来告诉浏览器,把cookie保存下来
    
#3、preview就是网页源代码
    最主要的部分,包含了请求资源的内容
    如网页html,图片
    二进制数据等

示例:

import requests
import re
import hashlib,time

# def get_index(url):
#     获取当前url的页面内容
#     response=requests.get(url)
#     if response.status_code == 200:
#         return response.text
#
# def parse_index(res):
#     匹配需要访问的标签
#     urls=re.findall(r‘class="items".*?href="(.*?)"‘,res,re.S)
#     return urls
#
# def get_detail(urls):
#     根据需要访问的标签匹配需要的内容标签
#     for url in urls:
#         if not url.startswith(‘http‘):
#             url=‘http://www.xiaohuar.com%s‘ %url
#         r1=requests.get(url)
#         if r1.status_code == 200:
#             l=re.findall(r‘id="media".*?src="(.*?)"‘,r1.text,re.S)
#             if l:
#                 mp4_url=l[0]
#                 # print(mp4_url)
#                 save(mp4_url)
#
# def save(url):
#     保存需要访问的地址内容
#     print(‘Download:%s‘ %url)
#     r2=requests.get(url)
#     if r2.status_code == 200:
#         m=hashlib.md5()
#         m.update(url.encode(‘utf-8‘))
#         m.update(str(time.time()).encode(‘utf-8‘))
#         filename=‘%s.mp4‘ %m.hexdigest()
#         file_path=r‘G:\\%s‘ %filename
#         with open(file_path,‘wb‘) as f:
#             f.write(r2.content)
#
#
# def main():
#     匹配所有的页面
#     for i in range(5):
#         res1=get_index(‘http://www.xiaohuar.com/list-3-%s.html‘ %i)
#         res2=parse_index(res1)
#         get_detail(res2)
#
#
# if __name__ == ‘__main__‘:
#     main()

 

 

爬虫基础

标签:family   with   网页   findall   style   logs   xiaohua   lis   表达式   

原文地址:http://www.cnblogs.com/fenglinglf/p/7794162.html

(0)
(0)
   
举报
评论 一句话评论(0
登录后才能评论!
© 2014 mamicode.com 版权所有  联系我们:gaon5@hotmail.com
迷上了代码!