Python爬虫（入门版）

1、爬虫是什么

简单的来说：就是用程序获取网络上数据。

2、爬虫的原理

如果要获取网络上数据，我们要给爬虫一个网址（程序中通常叫URL），爬虫发送一个HTTP请求给目标网页的服务器，服务器返回数据给客户端（也就是我们的爬虫），爬虫再进行数据解析、保存等一系列操作。

3、爬虫基本流程

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。

3.1、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

3.2、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

3.3、解析内容

解析html数据：正则表达式（RE模块）、xpath（主要使用）、beautiful soup、css

解析json数据：json模块

解析二进制数据:以wb的方式写入文件

3.4、保存数据

数据库（MySQL，Mongdb、Redis）或文件的形式。

4、爬虫代码

python 复制代码

# 导入requests模块，设置 url为百度翻译网页的网址。
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 => dict
	resp.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'])

主要使用requests库

5、学习资源与经验总结

学习爬虫需要掌握以下几个方面：

编程语言：Python是目前最常用的爬虫语言，因此需要掌握Python的基本语法和常用的库。
基础知识：需要了解计算机网络的基本知识，包括HTTP协议、TCP/IP协议、DNS协议等。
爬虫框架：学习使用一些爬虫框架，如Scrapy、BeautifulSoup等，可以加快爬虫的开发速度。
浏览器抓包：学习使用抓包工具，如Fiddler、Wireshark等，可以帮助理解网站的数据传输过程。
反爬机制：了解网站的反爬机制，如封IP、封账号、封代理等，可以帮助避免被网站禁止访问。
数据清洗：学习使用数据清洗工具和方法，如正则表达式、BeautifulSoup等，可以帮助处理不同格式的数据。
法律法规：了解相关法律法规，如个人信息保护法、知识产权法等，避免侵犯他人的合法权益。

另外：

python学习路线：很多网站都有免费的学习路径，这里不在赘述，例如python学习路线
很多网站对IP的要求很高，短时间请求十几次就会遭关进小黑屋。明显是网站进行了反爬处理：限制IP请求频率。这个时候，我们只有加代理进行访问请求了。这里推荐一款最近发现的代理商家：协采云IP池

如果大量访问某个网站，一个稳定的代理访问是必不可少的。