爬虫超详细介绍

爬虫（Spider）是一种自动化程序，用于在互联网上获取信息。

其工作原理主要可以分为以下几个步骤：

1. 发起请求：
   • 爬虫首先需要向目标网站发起HTTP请求，以获取网页的内容。这个请求可以包含一些额外的信息，如请求头、请求参数等。
2. 接收响应：
   • 目标网站在收到请求后，会返回一个HTTP响应。这个响应中包含了网页的内容以及状态码等信息。爬虫需要接收并解析这个响应。
3. 解析网页：
   • 爬虫需要从网页中提取所需的数据。这通常需要使用各种解析技术，如正则表达式、XPath、CSS选择器等，来定位和提取特定的数据。
4. 处理数据：
   • 爬虫获取到数据后，可以进行一些数据处理的操作，如清洗数据、转换数据格式等，以满足后续的需求。
5. 存储数据：
   • 最后，爬虫将处理后的数据保存到本地文件或数据库中，以便后续的分析、展示或其他用途。

爬虫按照抓取网站对象的不同，可以分为通用爬虫和垂直爬虫：

• 通用爬虫：类似百度、谷歌这样的爬虫，抓取对象是整个互联网，对于网页没有固定的抽取规则。对于所有网页都是一套通用的处理方法。
• 垂直爬虫：这类爬虫主要针对一些特定对象、网站，有一台指定的爬取路径、数据抽取规则。比如今日头条的目标网站就是所有的新闻类网站，而Etao比价、网易的慧慧购物助手的目标网站则是淘宝、京东、天猫等电商网站。

总的来说，爬虫通过模拟人类在浏览器中访问网页的行为，自动抓取、下载互联网上的网页，并按照一定的规则算法对这些网页进行数据抽取、索引和存储，从而实现对互联网上信息的自动化获取和处理。

流程

爬虫可以节省我们的时间，比如我要获取豆瓣电影 Top250 榜单，如果不用爬虫，我们要先在浏览器上输入豆瓣电影的 URL ，客户端（浏览器）通过解析查到豆瓣电影网页的服务器的 IP 地址，然后与它建立连接，浏览器再创造一个 HTTP 请求发送给豆瓣电影的服务器，服务器收到请求之后，把 Top250 榜单从数据库中提出，封装成一个 HTTP 响应，然后将响应结果返回给浏览器，浏览器显示响应内容，我们看到数据。我们的爬虫也是根据这个流程，只不过改成了代码形式。

HTTP请求

HTTP 请求由请求行、请求头、空行、请求体组成。

请求行由三部分组成：

    1.请求方法，常见的请求方法有 GET、POST、PUT、DELETE、HEAD  2.客户端要获取的资源路径  3.是客户端使用的 HTTP 协议版本号  

请求头是客户端向服务器发送请求的补充说明，比如说明访问者身份，这个下面会讲到。

请求体是客户端向服务器提交的数据，比如用户登录时需要提高的账号密码信息。请求头与请求体之间用空行隔开。请求体并不是所有的请求都有的，比如一般的GET都不会带有请求体。

上图就是浏览器登录豆瓣时向服务器发送的HTTP POST 请求，请求体中指定了用户名和密码。

HTTP 响应

HTTP 响应格式与请求的格式很相似，也是由响应行、响应头、空行、响应体组成。

响应行也包含三部分，分别是服务端的 HTTP 版本号、响应状态码和状态说明。

这里状态码有一张表，对应了各个状态码的意思

第二部分就是响应头，响应头与请求头对应，是服务器对该响应的一些附加说明，比如响应内容的格式是什么，响应内容的长度有多少、什么时间返回给客户端的、甚至还有一些 Cookie 信息也会放在响应头里面。

第三部分是响应体，它才是真正的响应数据，这些数据其实就是网页的 HTML 源代码。

爬虫代码怎么写

爬虫可以用很多语言比如 Python、C++等等，但是我觉得Python是最简单的，

因为Python有现成可用的库，已经封装到几乎完美，

C++虽然也有现成的库，但是它的爬虫还是比较小众，仅有的库也不足以算上简单，而且代码在各个编译器上，甚至同一个编译器上不同版本的兼容性不强，所以不是特别好用。所以今天主要介绍python爬虫。

安装requests库

cmd运行：pip install requests ，安装 requests。

然后在 IDLE 或者编译器（个人推荐 VS Code 或者 Pycharm ）上输入

import requests 运行，如果没有报错，证明安装成功。

安装大部分库的方法都是：pip install xxx（库的名字）

requests的方法

requests.request()	构造一个请求，支撑一下各方法的基本方法
requests.get()	获取HTML网页的主要方法，对应于HTTP的GET
requests.head()	获取HTML网页头信息的方法，对应于HTTP的HEAD
requests.post()	向HTML网页提交POST请求的方法，对应于HTTP的POST
requests.put()	向HTML网页提交PUT请求的方法，对应于HTTP的PUT
requests.patch( )	向HTML网页提交局部修改请求，对应于HTTP的PATCT
requests.delete()	向HTML网页提交删除请求，对应于HTTP的DELETE

最常用的get方法

r = requests.get(url)

包括两个重要的对象：

构造一个向服务器请求资源的Request对象；返回一个包含服务器资源的Response对象

r.status_code	HTTP请求的返回状态，200表示连接成功，404表示失败
r.text	HTTP响应内容的字符串形式，即，url对应的页面内容
r.encoding	从HTTP header中猜测的响应内容编码方式（如果header中不存在charset，则认为编码为ISO-8859-1）
r.apparent_encoding	从内容中分析的响应内容编码方式（备选编码方式）
r.content	HTTP响应内容的二进制形式

requests.ConnectionError	网络连接错误异常，如DNS查询失败、拒绝连接等
requests.HTTPError	HTTP错误异常
requests.URLRequired	URL缺失异常
requests.TooManyRedirects	超过最大重定向次数，产生重定向异常
requests.ConnectTimeout	连接远程服务器超时异常
requests.Timeout	请求URL超时，产生超时异常

爬虫小demo

requests是最基础的爬虫库，但是我们可以做一个简单的翻译

我先把我做的一个爬虫的小项目的项目结构放上，完整源码可以私聊我下载。

下面是翻译部分的源码

import requests
def English_Chinese():url = "https://fanyi.baidu.com/sug"s = input("请输入要翻译的词(中/英):")dat = {"kw":s}resp = requests.post(url,data = dat)# 发送post请求ch = resp.json() # 将服务器返回的内容直接处理成json => dictresp.close()dic_lenth = len(ch['data'])for i in range(dic_lenth):print("词:"+ch['data'][i]['k']+" "+"单词意思:"+ch['data'][i]['v'])

代码详解：

导入requests模块，设置 url为百度翻译网页的网址。

然后通过 post 方法发送请求，再把返回的结果打成一个 dic （字典），但是这个时候我们打印出来结果发现是这样的。

这是一个字典里套列表套字典的样子，大概就是这样的

{ xx:xx , xx:[ {xx:xx} , {xx:xx} , {xx:xx} , {xx:xx} ] }

我标红的地方是我们需要的信息。

假如说我标蓝色的列表里面有 n 个字典，我们可以通过 len() 函数获取 n 的数值，

并使用 for 循环遍历，得到结果。

dic_lenth = len(ch['data']
for i in range(dic_lenth):print("词:"+ch['data'][i]['k']+" "+"单词意思:"+ch['data'][i]['v'])

全套Python学习资料分享：

一、Python所有方向的学习路线
Python所有方向路线就是把Python常用的技术点做整理，形成各个领域的知识点汇总，它的用处就在于，你可以按照上面的知识点去找对应的学习资源，保证自己学得较为全面。

二、学习软件

工欲善其事必先利其器。学习Python常用的开发软件都在这里了，还有环境配置的教程，给大家节省了很多时间。

三、全套PDF电子书
书籍的好处就在于权威和体系健全，刚开始学习的时候你可以只看视频或者听某个人讲课，但等你学完之后，你觉得你掌握了，这时候建议还是得去看一下书籍，看权威技术书籍也是每个程序员必经之路。

四、入门学习视频全套
我们在看视频学习的时候，不能光动眼动脑不动手，比较科学的学习方法是在理解之后运用它们，这时候练手项目就很适合了。

五、实战案例
光学理论是没用的，要学会跟着一起敲，要动手实操，才能将自己的所学运用到实际当中去，这时候可以搞点实战案例来学习。