Python爬虫原理

矫情吗；* 2022-02-17 12:21 272阅读 0赞

### [Python爬虫原理][Python] ###

## ##

### 前言 ###

### 简单来说互联网是由一个个站点和网络设备组成的大网，我们通过浏览器访问站点，站点把HTML、JS、CSS代码返回给浏览器，这些代码经过浏览器解析、渲染，将丰富多彩的网页呈现我们眼前； ###

## ##

### 一、爬虫是什么？ ###

### 如果我们把互联网比作一张大的蜘蛛网，数据便是存放于蜘蛛网的各个节点，而爬虫就是一只小蜘蛛， ###

### 沿着网络抓取自己的猎物（数据）爬虫指的是：向网站发起请求，获取资源后分析并提取有用数据的程序； ###

### 从技术层面来说就是 通过程序模拟浏览器请求站点的行为，把站点返回的HTML代码/JSON数据/二进制数据（图片、视频） 爬到本地，进而提取自己需要的数据，存放起来使用； ###

## ##

### ![1122865-20171109155619981-1355599979.png][] ###

## ##

### 二、爬虫的基本流程： ###

## ##

### 用户获取网络数据的方式： ###

### 方式1：浏览器提交请求--->下载网页代码--->解析成页面 ###

### 方式2：模拟浏览器发送请求(获取网页代码)->提取有用的数据->存放于数据库或文件中 ###

### 爬虫要做的就是方式2； ###

###  ![1122865-20171109155753419-1411600537.png][] ###

### **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  ###

### Request模块缺陷：不能执行JS 和CSS 代码 ###

## ##

### **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（RE模块），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wb的方式写入文件 ###

## ##

### **4、保存数据** ###

### 数据库（MySQL，Mongdb、Redis） ###

### 文件 ###

## ##

### 三、http协议 请求与响应 ###

### ![1122865-20171109162243872-1491006257.png][] ###

## ##

### Request：用户将自己的信息通过浏览器（socket client）发送给服务器（socket server） ###

### Response：服务器接收请求，分析用户发来的请求信息，然后返回数据（返回的数据中可能包含其他链接，如：图片，js，css等） ###

### ps：浏览器在接收Response后，会解析其内容来显示给用户，而爬虫程序在模拟浏览器发送请求然后接收Response后，是要提取其中的有用数据。 ###

## ##

### 四、 request ###

### **1、请求方式：** ###

### 常见的请求方式：GET / POST ###

## ##

### **2、请求的URL** ###

### url全球统一资源定位符，用来定义互联网上一个唯一的资源 例如：一张图片、一个文件、一段视频都可以用url唯一确定 ###

## ##

### 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 ###

### 注意： 一般做爬虫都会加上请求头 ###

### ![1122865-20171109164328044-1812809779.png][] ###

## ##

###  ![1122865-20171109165932544-1148817400.png][] ###

## ##

###  ![1122865-20171109165421872-1350037263.png][] ###

## ##

### **请求头需要注意的参数：** ###

### （1）Referrer：访问源至哪里来（一些大型网站，会通过Referrer 做防盗链策略；所有爬虫也要注意模拟） ###

### （2）User-Agent:访问的浏览器（要加上否则会被当成爬虫程序） ###

### （3）cookie：请求头注意携带 ###

## ##

### **4、请求体** ###

### 请求体       如果是get方式，请求体没有内容 （get请求的请求体放在 url后面参数中，直接能看到）       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 ###

### 五、 响应Response ###

### **1、响应状态码** ###

### **　　**200：代表成功 ###

### 　　301：代表跳转 ###

### 　　404：文件不存在 ###

### 　　403：无权限访问 ###

### 　　502：服务器错误 ###

### **2、respone header** ###

###    **响应头需要注意的参数：** ###

### （1）Set-Cookie:BDSVRTM=0; path=/：可能有多个，是来告诉浏览器，把cookie保存下来 ###

### （2）Content-Location：服务端响应头中包含Location返回浏览器之后，浏览器就会重新访问另一个页面 ###

## ##

### **3、preview就是网页源代码** ###

### JSO数据 ###

### 如网页html，图片 ###

### 二进制数据等  ###

## ##

### 六、总结 ###

### **1、总结爬虫流程：** ###

###  爬取--->解析--->存储 ###

## ##

### **2、爬虫所需工具：** ###

###  请求库：requests,selenium（可以驱动浏览器解析渲染CSS和JS，但有性能劣势（有用没用的网页都会加载）；）    解析库：正则，beautifulsoup，pyquery    存储库：文件，MySQL，Mongodb，Redis ###

## ##

### **3、爬获校花网** ###

### 最后送给大家点福利吧![1122865-20171109204929981-337261501.png][] ###

### 基础版： ###

## ##

import re
    import requests
    
    respose=requests.get('http://www.xiaohuar.com/v/')
    # print(respose.status_code)# 响应的状态码
    # print(respose.content)  #返回字节信息
    # print(respose.text)  #返回文本内容
    urls=re.findall(r'class="items".*?href="(.*?)"',respose.text,re.S)  #re.S 把文本信息转换成1行匹配
    url=urls[5]
    result=requests.get(url)
    mp4_url=re.findall(r'id="media".*?src="(.*?)"',result.text,re.S)[0]
    
    video=requests.get(mp4_url)
    
    with open('D:\\a.mp4','wb') as f:
        f.write(video.content)

### 函数封装版 ###

## ##

import re
    import requests
    import hashlib
    import time
    
    # respose=requests.get('http://www.xiaohuar.com/v/')
    # # print(respose.status_code)# 响应的状态码
    # # print(respose.content)  #返回字节信息
    # # print(respose.text)  #返回文本内容
    # urls=re.findall(r'class="items".*?href="(.*?)"',respose.text,re.S)  #re.S 把文本信息转换成1行匹配
    # url=urls[5]
    # result=requests.get(url)
    # mp4_url=re.findall(r'id="media".*?src="(.*?)"',result.text,re.S)[0]
    #
    # video=requests.get(mp4_url)
    #
    # with open('D:\\a.mp4','wb') as f:
    #     f.write(video.content)
    #
    
    
    def get_index(url):
        respose = requests.get(url)
        if respose.status_code==200:
            return respose.text
    
    def parse_index(res):
        urls = re.findall(r'class="items".*?href="(.*?)"', res,re.S)  # re.S 把文本信息转换成1行匹配
        return urls
    
    
    def get_detail(urls):
        for url in urls:
            if not url.startswith('http'):
                url='http://www.xiaohuar.com%s' %url
            result = requests.get(url)
            if result.status_code==200 :
                mp4_url_list = re.findall(r'id="media".*?src="(.*?)"', result.text, re.S)
                if mp4_url_list:
                    mp4_url=mp4_url_list[0]
                    print(mp4_url)
                    # save(mp4_url)
    
    
    def save(url):
        video = requests.get(url)
        if video.status_code==200:
            m=hashlib.md5()
            m.updata(url.encode('utf-8'))
            m.updata(str(time.time()).encode('utf-8'))
            filename=r'%s.mp4'% m.hexdigest()
            filepath=r'D:\\%s'%filename
            with open(filepath, 'wb') as f:
                f.write(video.content)
    
    def main():
        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()

## ##

### 并发版（如果一共需要爬30个视频，开30个线程去做，花的时间就是 其中最慢那份的耗时时间） ###

import re
    import requests
    import hashlib
    import time
    from concurrent.futures import ThreadPoolExecutor
    p=ThreadPoolExecutor(30) #创建1个程池中，容纳线程个数为30个；
    
    
    def get_index(url):
        respose = requests.get(url)
        if respose.status_code==200:
            return respose.text
    
    def parse_index(res):
        res=res.result() #进程执行完毕后，得到1个对象
        urls = re.findall(r'class="items".*?href="(.*?)"', res,re.S)  # re.S 把文本信息转换成1行匹配
        for url in urls:
            p.submit(get_detail(url))  #获取详情页 提交到线程池
    
    
    
    def get_detail(url):  #只下载1个视频
            if not url.startswith('http'):
                url='http://www.xiaohuar.com%s' %url
            result = requests.get(url)
            if result.status_code==200 :
                mp4_url_list = re.findall(r'id="media".*?src="(.*?)"', result.text, re.S)
                if mp4_url_list:
                    mp4_url=mp4_url_list[0]
                    print(mp4_url)
                    # save(mp4_url)
    
    
    def save(url):
        video = requests.get(url)
        if video.status_code==200:
            m=hashlib.md5()
            m.updata(url.encode('utf-8'))
            m.updata(str(time.time()).encode('utf-8'))
            filename=r'%s.mp4'% m.hexdigest()
            filepath=r'D:\\%s'%filename
            with open(filepath, 'wb') as f:
                f.write(video.content)
    
    def main():
        for i in range(5):
            p.submit(get_index,'http://www.xiaohuar.com/list-3-%s.html'% i ).add_done_callback(parse_index)
            #1、先把爬主页的任务（get_index）异步提交到线程池
            #2、get_index任务执行完后，会通过回调函add_done_callback（）数通知主线程，任务完成；
            #2、把get_index执行结果（注意线程执行结果是对象，调用res=res.result()方法，才能获取真正执行结果），当做参数传给parse_index
            #3、parse_index任务执行完毕后，
            #4、通过循环，再次把获取详情页 get_detail（）任务提交到线程池执行
    
    
    
    if __name__ == '__main__':
        main()

## ##

### **涉及知识：多线程多进程** ###

### 计算密集型任务：使用多进程，因为能Python有GIL，多进程可以利用上CPU多核优势； ###

### IO密集型任务：使用多线程，做IO切换节省任务执行时间（并发） ###

### 线程池 ###

## ##

### 参考博客： ###

### 瞎驴[http://www.cnblogs.com/linhaifeng/articles/7773496.html][http_www.cnblogs.com_linhaifeng_articles_7773496.html] ###

[Python]: https://www.cnblogs.com/sss4/p/7809821.html
[1122865-20171109155619981-1355599979.png]: /images/20220217/9a2286dbe07b4d019e9a40f89506cb41.png
[1122865-20171109155753419-1411600537.png]: /images/20220217/1eca075fce3c42ec96148cc228ed115e.png
[1122865-20171109162243872-1491006257.png]: /images/20220217/851bf22e0fa24f449a609e7b9733405e.png
[1122865-20171109164328044-1812809779.png]: /images/20220217/ccd56ffc12104591a918907b7e2cf185.png
[1122865-20171109165932544-1148817400.png]: /images/20220217/5bb1809e365e4a9daa183a0c18bd7cc5.png
[1122865-20171109165421872-1350037263.png]: /images/20220217/fbf3faeaaaea4245a130606ce1604734.png
[1122865-20171109204929981-337261501.png]: /images/20220217/52610ddf7bc841e2a9f0c4579011aa74.png
[http_www.cnblogs.com_linhaifeng_articles_7773496.html]: http://www.cnblogs.com/linhaifeng/articles/7773496.html