一、爬虫是什么? (spider)
Python 爬虫是利用编程语言 Python 来获取互联网上的数据的技术。它可以自动化地访问网页、提取信息并进行数据处理。以下是Python爬虫的基础知识和步骤:
主要特点和功能:
-
自动化浏览:爬虫程序能够自动访问和浏览互联网上的各种网页,而无需人工干预。
-
信息抓取:爬虫根据预定的规则和算法,从网页的HTML源码中提取所需的数据。这些数据可以是文本、图片、视频、超链接等。
-
广泛应用:爬虫在搜索引擎索引网页、价格比较网站、新闻聚合、社交媒体分析等领域广泛应用。它们可以帮助自动化地收集和分析大量的数据。
工作原理:
-
发送请求:爬虫首先向目标网站发送HTTP请求,请求特定的网页内容。
-
获取响应:网站接收请求后,返回相应的HTML或XML等格式的页面数据。
-
解析页面:爬虫利用解析器(如Beautiful Soup)分析和解释页面的结构和内容,以便定位和提取所需数据。
-
存储数据:提取到的数据通常会被存储到文件、数据库或其他数据存储系统中,以备后续分析和使用。
应用举例:
-
搜索引擎:爬虫帮助搜索引擎建立和更新网页索引,使得用户可以通过关键词搜索快速找到相关网页。
-
价格比较:电商网站使用爬虫收集竞争对手的价格信息,帮助制定价格策略。
-
新闻聚合:爬虫从多个新闻网站抓取新闻内容,形成一个汇总的新闻平台。
二、基础知识
1.URL:
URL(统一资源定位符)是用于标识和定位互联网上资源的地址。它是通过一种标准化的格式来描述网络资源的位置和访问方式。URL通常由多个部分组成,包括协议、域名或IP地址、路径、查询参数和片段等,具体格式如下:
python
scheme://host:port/path?query#fragment
https://mp.csdn.net/mp_blog/creation/editor?spm=1001.2014.3001.4503#本网站
-
协议(Scheme):指定访问资源所使用的协议或者服务类型。常见的协议包括:
http
:超文本传输协议,用于传输网页数据。https
:安全超文本传输协议,使用SSL加密传输网页数据,更安全。ftp
:文件传输协议,用于在网络上传输文件。
-
主机(Host) :指定资源所在的主机名或者IP地址。例如,
www.example.com
或者192.168.1.1
。 -
端口(Port,可选):指定访问资源时使用的端口号。大部分情况下,如果未指定,默认使用协议默认的端口(如HTTP默认端口为80,HTTPS默认端口为443)。
-
路径(Path,可选) :指定服务器上资源的具体路径或者文件名。例如,
/index.html
。 -
查询参数(Query,可选) :传递给服务器的额外参数,通常以键值对的形式存在,多个参数之间使用
&
分隔。例如,?page=2&category=python
。 -
片段(Fragment,可选) :标识资源中的一个片段或位置,通常用于直接定位到网页的某个部分。例如,
#section2
。
URL被广泛用于网页浏览、API调用、文件下载等场景,是互联网上资源定位的标准方式。浏览器和各种网络应用程序通过解析和使用URL来访问并获取所需的网络资源。
三、前端代码
我们使用爬虫的时候会需要我们解析前端代码,我们使用爬虫时了解前端代码是必须的。
python
<!DOCTYPE html> 声明为 HTML5 文档
<html>..</html> 是网页的根元素
<head>..</head> 元素包含了文档的元(meta)数据,如 <meta charset="utf-8"> 定义网页编码格式为 utf-8。
<title>..<title> 元素描述了文档的标题
<body>..</body> 表示用户可见的内容
<div>..</div> 表示框架
<p>..</p> 表示段落
<ul>..</ul> 定义无序列表
<ol>..</ol>定义有序列表
<li>..</li>表示列表项
<img src="" alt="">表示图片
<h1>..</h1>表示标题
<a href="">..</a>表示超链接
四、合适的库:
Python 中有许多强大的库可用于爬虫,其中最流行和常用的是 requests
和 Beautiful Soup
(或 bs4
)。
-
requests
:用于发送HTTP请求,获取网页内容。 -
Beautiful Soup
:用于解析HTML或XML文档,提取数据。
python
pip install requests
pip install Beautiful Soup
执行以上命令载入库(win+r,输入cmd,输入执行)