商业爬虫学习笔记day1

day1

一. HTTP

1.介绍：

https://www.cnblogs.com/vamei/archive/2013/05/11/3069788.html

http://blog.csdn.net/guyuealian/article/details/52535294

2.当用户输入网址（如www.baidu.com）,发送网络请求的过程是什么？

上图应该还有往回的箭头（即服务器从数据库获取得到指定的请求资源，返回给客户端）

a. 通过域名服务器解析出www.baidu.com对应的ip地址

（1）先要知道默认网关的mac地址（通过arp协议获取默认网关的mac地址）

（2）组织数据，发送给默认网关（ip还是dns服务器的ip，但是mac地址是默认网关的mac地址）

（3）默认网关拥有转发数据的能力，把数据转发给路由器

（4）路由器根据自己的路由协议，来选择一个合适的较快的路径，转发数据给目的网关

（5）目的网关（dns服务器所在的网关）把数据转发给dns服务器

（6）dns服务器查询解析出www.baidu.com对应的ip地址，并把它原路返回给请求这个域名的client

b. 得到了baidu.com的ip地址后，进行tcp的3次握手，从而达到client与server的连接

c.通过http协议发送请求数据给对应的web服务器

d.web服务器收到数据请求之后，通过查询自己的服务器从而得到client请求的资源，原路返回给请求者（浏览器）

d.浏览器收到数据后，通过浏览器自己的渲染功能来显示这个网页

e.浏览器关闭tcp连接，即4次挥手

2.http的请求方式

（1）get请求

向特定的资源发出请求，其参数直接出现在url中，不安全，此外请求有长度限制，获取的数据只能是ASCII码类型数据

（2）post请求

向指定资源提交数据进行处理请求（例如提交表单或者上传文件）,数据（允许二进制数据）被包含在请求体中。请求方式安全，请求没有长度限制。POST请求可能会导致新的资源的创建或已有资源的修改

（3）PUT

向指定资源位置上传其最新内容

（4）delete

请求服务器删除Request-URI所标识的资源

（5）trace

客户端可以对请求消息的传输路径进行追踪，其是让web服务器端将之前的请求通信还给客户端的方法，主要用于测试和诊断

（6）head

类似get请求，其返回的响应中没有具体的内容（即不返回报文的主体部分）

（7）options

返回服务器针对特定资源所支持的HTTP请求方法（即客户端询问服务器可以提交哪些请求方法）

（8）connect

HTTP/1.1协议中预留给能够将连接改为管道方式的代理服务器

connect方法要求在与代理服务器通信时简历隧道，实现用隧道协议进行TCP通信。主要使用SSL（安全套接层）和TLS（传输层安全）协议把通信内容加密后经网络隧道传输

虽然HTTP的请求方式有8种，但是我们再实际应用中常用的也就是get和post，其他请求方式也都可以通过这两种方式间接来实现

3.http和https的区别

（1）https协议要CA(Certificate Authority, 证书授权中心)证书，需要一定的经济成本

（2）http是明文传输，https是加密的安全传输，所以https相对于http传输比较安全

（3）连接端口不一样，http是80，https是443

4.请求头（request header）内容

(1)Accept:⽂文本的格式
(2)Accept-Encoding:编码格式
(3)Connection:长链接 短链接
(4)Cookie:验证⽤的
(5)Host:域名
(6)Referer:标志从哪个页面跳转过来的
(7)User-Agent:浏览器和⽤户的信息

二. 爬虫入门

（1）爬虫的价值：

1.买卖数据(⾼高端的领域价格特别贵)
2.数据分析:出分析报告
3.流量量
4.指数阿里指数,百度指数

（2）合法性:灰⾊色产业
政府没有法律律规定爬⾍虫是违法的,也没有法律律规定爬⾍虫是合法的
公司概念:公司让你爬数据库(窃取商业机密)责任在公司
（3）爬⾍虫可以爬取所有东⻄西?(不是)爬⾍只能爬取⽤用户能访问到的数据
爱奇艺的视频(vip，非vip)
1.普通⽤用户 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(⿊黑客)

三. 爬虫的分类

(1)通⽤用爬⾍虫
1.使⽤用搜索引擎:百度 谷歌 360 雅虎 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页

Deep 深度爬⾍虫：

静态数据:html css
动态数据:js代码,加密的js

（3）robots

Robots协议（也称为爬虫协议、机器人协议等）的全称是“网络爬虫排除标准”（Robots Exclusion Protocol），网站通过Robots协议告诉搜索引擎哪些页面可以抓取，哪些页面不能抓取。您可以在您的网站中创建一个纯文本文件robots.txt，在这个文件中声明该网站中不想被robot访问的部分，这样，该网站的部分或全部内容就可以不被搜索引擎收录了，或者指定搜索引擎只收录指定的内容。

聚焦爬虫不遵守robots

四. 爬虫的工作原理

确定抓取目标的url是哪一个--->使用代码发送请求获取数据--->解析获取到的数据--->若有新的目标（url），回到第一步--->数据持久化（如，将数据写入文件中）

1. python3（原生提供的模块）：urlib.request

(1) urlopen:

a.返回response对象

b. response.read()

c. bytes.decode("utf-8")

(2) get：传参   （没传data就默认使用get请求，传了data就post请求）

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

五.代码

发送请求

import urllib.request

def load_data():
    url = "http://www.baidu.com/"
    response = urllib.request.urlopen(url)  # 发送请求
    print(response)
    data = response.read()  # 读取到的内容为bytes
    print(data)
    # 将文件获取的内容转换成字符串
    str_data = data.decode("utf-8")
    print(str_data)
    # 将数据写入文件
    with open("baidu.html", "w",encoding="utf-8") as f:  # 此处encoding="utf-8"一定要写，否则报错
        f.write(str_data)
load_data()

#python爬取的类型:str bytes
#如果爬取回来的是bytes类型:但是你写入的时候需要字符串 decode("utf-8")
#如果爬取过来的是str类型:但你要写入的是bytes类型 encode(""utf-8")

发送带参数的请求

import urllib.request

def get_method_params():
    url = "http://www.baidu.com/s?wd="
    name = "美女"
    final_url = url + name
    print(final_url)
    # 使用代码发送网络请求
    response = urllib.request.urlopen(final_url)
    print(response)

get_method_params()

这样运行会报错UnicodeEncodeError: 'ascii' codec can't encode characters in position 10-11: ordinal not in range(128)

原因：python:是解释性语言;解析器只支持 ascii 码，不支持中文，此处的final_url包含了中文，所以就要进行url的转译，如将url（https://www.baidu.com/s?wd=美女）复制到pycharm中会直接转译，如下：

但我复制到自己的pycharm不会产生转译（怀疑视频老师讲错了）

自己查到的原因（不知道是否正确）：Url的编码格式采用的是ASCII，而不是Unicode，这也就是说你不能在Url中包含任何非ASCII字符，例如中文。否则如果客户端浏览器和服务端浏览器支持的字符集不同的情况下，中文可能会赵成问题

转译要用到parse，string模块，如下

import urllib.request
import urllib.parse
import string

def get_method_params():

    url = "http://www.baidu.com/s?wd="
    name = "美女"
    final_url = url+name
    print(final_url)
    #将包含汉字的网址进行转译
    encode_new_url = urllib.parse.quote(final_url,safe=string.printable)
    print(encode_new_url)
    # 使用代码发送网络请求
    response = urllib.request.urlopen(encode_new_url)
    print(response) # 返回的是http对象，如<http.client.HTTPResponse object at 0x0000028324337780>

　　#读取内容 
　　data = response.read().decode() print(data) 
　　#保存到本地 
　　with open("02-encode.html","w",encoding="utf-8")as f: 
　　　　　f.write(data)   
get_method_params()