Python爬虫入门

一，爬虫概述

网络爬虫，顾名思义，它是一种顺着url爬取网页数据的自动化程序或者脚本。可以认为地，我们给予爬虫一个网站的url,它就会返回给我们网站的源代码，我们通过正则表达式来筛选我们需要的内容数据，这就是爬虫的目的，而所谓的反爬和反反爬策略只是这个过程的障碍与应对。

反爬机制：门户网站对爬虫的应对策略，防止爬虫对网站的数据进行爬取。

反反爬策略：对反爬机制的应对策略

Robots.txt：该文件规定了网站哪些数据是否允许爬取。

python 复制代码

from urllib.request import urlopen

url="http://www.baidu.com"

response = urlopen(url)

print(response.read().decode("utf-8"))#拿到的是页面源代码

上述代码就是最简单的爬虫，获取到url后返回给我们网页的源代码（页面源代码html，css，js，在浏览器中，浏览器会对代码进行渲染。）

二，Web请求过程

客户端向服务端发送请求，服务端接收到请求后进行判断，允许后进行html拼接，然后返回给客户端，客户端浏览器对html文件进行渲染形成我们所看见的页面。

实际情况中，网站通常会采用分布式，即将html文件和数据分开来返回给客户端，这样可以把服务器的压力分摊，当访问人数过多时不至于服务器宕机。

三，HTTP协议

HTTP协议（Hyper Text Transfer Protocol超文本传输协议），是用于从万维网传输超文本到本地浏览器的传送协议。

请求：

1.请求行 -> 请求方式（get/post）请求url地址协议

2.请求头 -> 放一些服务器要用的附加信息

4.请求体 -> 放一些请求参数

响应：

1.状态行 -> 协议状态码

2.响应头 -> 放一些客户端要使用的一些附加信息

4.响应体 -> 服务器返回的真正客户端要用的内容

四，Requests模块

安装requests模块：

pip install requests

python 复制代码

Import requests

#爬取百度源代码
url="http://www.baidu.com"

res=requests.get(url)#[Response200]200是状态码，没问题
print(res.content.decode('utf-8'))#拿到源代码



Import requests

content=input("输入你要检索的内容")

url=f"https://www.sogou.com/web?query={content}"

response=requests.get(url)

print(response.text)

我们发现，我们发送的请求被验证拦截下来了，这是因为我们发送请求的请求头不是设备的型号，而是python的型号，这被服务端识别并拦截。

python 复制代码

importrequests

content=input("输入你要检索的内容")
headers=
{"User-Agent":"Mozilla/5.0(WindowsNT10.0;Win64;x64)AppleWebKit/537.36(KHTML,likeGecko)Chrome/124.0.0.0Safari/537.36Edg/124.0.0.0"}

url=f"https://www.sogou.com/web?query={content}"

response=requests.get(url,headers=headers)

print(response.text)

我们模拟了设备的请求头，再次发送，成功骗过服务端，获取到数据。

五，Post请求

我们打开百度翻译，调成英文输入法，打开network观察XHR(ajax请求)

看得出来，表单数据放在了XHR文件中而没有拼接在url上，所以说post是一种隐式提交，get是显式提交

python 复制代码

import requests
import json
headers={"User-Agent":"Mozilla/5.0(WindowsNT10.0;Win64;x64)AppleWebKit/537.36(KHTML,likeGecko)Chrome/124.0.0.0Safari/537.36Edg/124.0.0.0"}

url="https://fanyi.baidu.com/sug"

data={
"kw":input("请输入一个单词")
}
response=requests.post(url,data=data)
response=json.loads(response.text)
print(response)

输出结果：

{'errno': 0, 'data': [{'k': 'happy', 'v': 'adj. 快乐的; 幸福的; 巧妙的; 〈口〉有点醉意的'}, {'k': 'Happy', 'v': '[人名] 哈皮; [地名] [美国] 哈皮'}, {'k': 'Happy Day', 'v': '新春如意（歌名）'}, {'k': 'happy lot', 'v': '福分；福气'}, {'k': 'happy home', 'v': '快乐家庭'}], 'logid': 2211867141}