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：

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。
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。
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。
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。
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 => 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'])

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。