从零开始：一步步学习爬虫技术的实用指南（一）

从零开始：一步步学习爬虫技术的实用指南（一）

• • • Urllib
    • • 1.什么是互联网爬虫
      • 2.爬虫核心
      • 3.爬虫的用途
      • 4.爬虫的分类
      • • [4.1 通用爬虫：](#4.1 通用爬虫：)
        • [4.1 聚焦爬虫：](#4.1 聚焦爬虫：)
      • 5.反爬手段
      • • [5.1 User‐Agent：](#5.1 User‐Agent：)
        • 5.2.代理IP
        • 5.3.验证码访问
        • [5.4.动态加载网页 网站返回的是js数据 并不是网页的真实数据](#5.4.动态加载网页 网站返回的是js数据 并不是网页的真实数据)
        • 5.5.数据加密
      • 6.urllib库使用
      • 7.请求对象的定制

---

Urllib

1.什么是互联网爬虫

如果我们把互联网比作一张大的蜘蛛网，那一台计算机上的数据便是蜘蛛网上的一个猎物，而爬虫程序就是一只小蜘蛛，沿着蜘蛛网抓取自己想要的数据

解释1：通过一个程序 ，根据Url(http://www.taobao.com)进行爬取网页，获取有用信息
解释2：使用程序模拟浏览器，去向服务器发送请求，获取响应信息

---

2.爬虫核心

1.爬取网页：爬取整个网页 包含了网页中所有得内容
2.解析数据：将网页中你得到的数据 进行解析
3.难点：爬虫和反爬虫之间的博弈

---

3.爬虫的用途

• 数据分析/人工数据集
• 社交软件冷启动
• 舆情监控
• 竞争对手监控
  

---

4.爬虫的分类

4.1 通用爬虫：

实例
百度、360、google、sougou等搜索引擎‐‐‐伯乐在线

功能
访问网页‐>抓取数据‐>数据存储‐>数据处理‐>提供检索服务

robots协议
一个约定俗成的协议，添加robots.txt文件，来说明本网站哪些内容不可以被抓取，起不到限制作用 自己写的爬虫无需遵守

网站排名(SEO)

1. 根据pagerank算法值进行排名（参考个网站流量、点击率等指标）
2. 百度竞价排名

缺点

1. 抓取的数据大多是无用的
2. 不能根据用户的需求来精准获取数据

---

4.1 聚焦爬虫：

功能
根据需求，实现爬虫程序，抓取需要的数据

设计思路

1. 确定要爬取的url

   如何获取Url

2. List item

   模拟浏览器通过http协议访问url，获取服务器返回的html代码

   如何访问

3. 解析html字符串（根据一定规则提取需要的数据）

   如何解析

---

5.反爬手段

5.1 User‐Agent：

User Agent中文名为用户代理，简称 UA，它是一个特殊字符串头，使得服务器能够识别客户使用的操作系统及版

本、CPU 类型、浏览器及版本、浏览器渲染引擎、浏览器语言、浏览器插件等。

5.2.代理IP

西次代理

快代理

什么是高匿名、匿名和透明代理？它们有什么区别？

1.使用透明代理，对方服务器可以知道你使用了代理，并且也知道你的真实IP。

2.使用匿名代理，对方服务器可以知道你使用了代理，但不知道你的真实IP。

3.使用高匿名代理，对方服务器不知道你使用了代理，更不知道你的真实IP。

5.3.验证码访问

打码平台

云打码平台

超级🦅

5.4.动态加载网页 网站返回的是js数据 并不是网页的真实数据

selenium驱动真实的浏览器发送请求

5.5.数据加密

分析js代码

---

6.urllib库使用

urllib.request.urlopen() 模拟浏览器向服务器发送请求
response 服务器返回的数据
response的数据类型是HttpResponse
字节‐‐>字符串
解码decode
字符串‐‐>字节
编码encode
read() 字节形式读取二进制 扩展：rede(5)返回前几个字节
readline() 读取一行
readlines() 一行一行读取 直至结束
getcode() 获取状态码
geturl() 获取url
getheaders() 获取headers
urllib.request.urlretrieve()
请求网页
请求图片
请求视频

---

7.请求对象的定制

UA介绍：User Agent中文名为用户代理，简称 UA，它是一个特殊字符串头，使得服务器能够识别客户使用的操作系统
及版本、CPU 类型、浏览器及版本。浏览器内核、浏览器渲染引擎、浏览器语言、浏览器插件等
语法：request = urllib.request.Request()

扩展：编码的由来

'''编码集的演变‐‐‐

由于计算机是美国人发明的，因此，最早只有127个字符被编码到计算机里，也就是大小写英文字母、数字和一些符号，

这个编码表被称为ASCII编码，比如大写字母A的编码是65，小写字母z的编码是122。

但是要处理中文显然一个字节是不够的，至少需要两个字节，而且还不能和ASCII编码冲突，

所以，中国制定了GB2312编码，用来把中文编进去。

你可以想得到的是，全世界有上百种语言，日本把日文编到Shift_JIS里，韩国把韩文编到Euc‐kr里，

各国有各国的标准，就会不可避免地出现冲突，结果就是，在多语言混合的文本中，显示出来会有乱码。

因此，Unicode应运而生。Unicode把所有语言都统一到一套编码里，这样就不会再有乱码问题了。

Unicode标准也在不断发展，但最常用的是用两个字节表示一个字符（如果要用到非常偏僻的字符，就需要4个字节）。

现代操作系统和大多数编程语言都直接支持Unicode。''

---