爬虫简介
什么是爬虫？
是一种按照一定的规则，自动地抓取互联网信息的程序或者脚本。
所谓网页抓取，就是把URL地址中指定的网络资源从网络流中读取出来，保存到本地。 在
Python中有很多库可以用来抓取网页
分类
通用爬虫（General Purpose Web Crawler）、 聚焦爬虫（Focused Web Crawler）、增量
式爬虫（Incremental Web Crawler）、深层爬虫（Deep Web Crawler）
通用网络爬虫
捜索引擎抓取系统（Baidu、Google、Yahoo 等）的重要组成部分。主要目的是将互联
网上的网页下载到本地，形成一个互联网内容的镜像备份。
聚焦爬虫
是"面向特定主题需求"的一种网络爬虫程序，它与通用搜索引擎爬虫的区别在于： 聚焦
爬虫在实施网页抓取时会对内容进行处理筛选，尽量保证只抓取与需求相关的网页信息。
增量式抓取
是指在具有一定量规模的网络页面集合的基础上，采用更新数据的方式选取已有集合中的过
时网页进行抓取，以保证所抓取到的数据与真实网络数据足够接近。进行增量式抓取的前提
是，系统已经抓取了足够数量的网络页面，并具有这些页面被抓取的时间信息。
深度爬虫
针对起始url地址进行数据采集，在响应数据中进行数据筛选得到需要进行数据采集的下一
波url地址，并将url地址添加到数据采集队列中进行二次爬取..以此类推，一致到所有页面
的数据全部采集完成即可完成深度数据采集，这里的深度指的就是url地址的检索深度。
爬虫步骤
网页抓取，数据提取，数据存储
HTTP协议
HTTP，HyperText Transfer Protocol，是互联网上应用最为广泛的一种网络协议。
是一个基于TCP/IP通信协议来传递数据，一个属于应用层的协议
浏览器作为HTTP客户端通过URL向HTTP服务端即WEB服务器发送所有请求。Web服
务器根据接收到的请求后，向客户端发送响应信息。
HTTPS（Hypertext Transfer Protocol over Secure Socket Layer）HTTP的安全版，在
HTTP下加入SSL层。
SSL（Secure Sockets Layer 安全套接层）主要用于Web的安全传输协议，在传输层对网
络连接进行加密，保障在Internet上数据传输的安全。
HTTP 的端口号为 80，
HTTPS 的端口号为 443
urlib的使用
在Python3.x中，我们可以使用urlib这个组件抓取网页，urllib是一个URL处理包，这个
包中集合了一些处理URL的模块
1.urllib.request模块是用来打开和读取URLs的；
2.urllib.error模块包含一些有urllib.request产生的错误，可以使用try进行捕捉处理；
3.urllib.parse模块包含了一些解析URLs的方法；
4.urllib.robotparser模块用来解析robots.txt文本文件.它提供了一个单独的RobotFileP
arser类，通过该类提供的can_fetch()方法测试爬虫是否可以下载一个页面。
urllib.request.urlopen()
这个接口函数就可以很轻松的打开一个网站，读取并打印信息。
from urllib import request
if __name__ == "__main__":
response = request.urlopen("http://fanyi.baidu.com")
html = response.read()
print(html)
说明
request.urlopen()打开和读取URLs信息，返回对象response
可以调用read()，进行读取。
print()，将读到的信息打印出来。
其实这就是浏览器接收到的信息，只不过我们在使用浏览器的时候，浏览器已经将这些信息
转化成了界面信息供我们浏览。
网页编码
虽然我们已经成功获取了信息，但是显然他们都是二进制的乱码
可以通过简单的decode()命令将网页的信息进行解码
from urllib import request
if __name__ == "__main__":
response = request.urlopen("http://fanyi.baidu.com/")
html = response.read()
html = html.decode("utf-8")
print(html)
自动获取网页编码
chardet
第三方库，用来判断编码的模块
使用chardet.detect()方法，判断网页的编码方式
安装方法：
pip install chardet
代码：
from urllib import request
import chardet
if __name__ == "__main__":
response = request.urlopen("http://fanyi.baidu.com/")
html = response.read()
charset = chardet.detect(html)
print(charset)
Request对象
反爬虫机制：
1、 封杀爬虫程序
2、 封杀指定IP
3、 封杀非人操作的程序
如果需要执行更复杂的操作，比如增加 HTTP 报头，必须创建一个 Request 实例来作为
urlopen()的参数；而需要访问的 url 地址则作为 Request 实例的参数。
from urllib import request
if __name__ == "__main__":
req = request.Request("http://fanyi.baidu.com/")
response = request.urlopen(req)
html = response.read() html = html.decode("utf-8") print(html)
User Agent
浏览器就是互联网世界上公认被允许的身份，如果我们希望我们的爬虫程序更像一个真
实用户，那我们第一步，就是需要伪装成一个被公认的浏览器。用不同的浏览器在发送
请求的时候，会有不同的 User-Agent 头。中文名为用户代理，简称UA
User Agent存放于Headers中
服务器就是通过查看Headers中的User Agent来判断是谁在访问。
urllib中默认的User Agent，会有Python的字样，如果服务器检查User Agent，可以拒
绝Python程序访问网站。
常见浏览器User-Agent:
https://blog.csdn.net/Kwoky/article/details/80381246
设置User Agent
方法 1：在创建 Request 对象的时候，填入 headers 参数(包含 User Agent 信息)，这个
Headers参数要求为字典；
方法2：在创建Request对象的时候不添加headers参数，在创建完成之后，使用add_h
eader()的方法，添加headers。
代理分类
代理可以分为三种，即高度匿名代理、普通匿名代理和透明代理。
高度匿名代理 隐藏客户的真实IP，但是不改变客户机的请求，就像有个真正的客户浏览器
在访问服务器。
普通匿名代理 能隐藏客户机的真实 IP，会改变客户的请求信息，服务器端不知道你的 ip
地址但有可能认为我们使用了代理。
透明代理 不但改变了我们的请求信息，还会传送真实的IP地址。
爬虫程序运行速度是很快,在网站爬取数据时，一个固定IP的访问频率就会很高，这不符合
人为操作的标准。所以一些网站会设置一个IP访问频率的阈值，如果一个IP访问频率超过
这个阈值，说明这个不是人在访问，而是一个爬虫程序。
解决办法一:设置延时
解决办法二:使用 IP 代理。可以设置一些代理服务器，每隔一段时间换一个代理，就算 IP
被禁止，依然可以换个IP继续爬取。
免费短期代理网站举例：
西刺免费代理IP http://www.xicidaili.com/
快代理免费代理 http://www.kuaidaili.com/free/inha/
聚合数据 https://www.juhe.cn/docs/api/id/62
代理IP选取
西刺网站为例，选出信号好的IP
使用代理的步骤：
(1)调用urlib.request.ProxyHandler()，构建处理器对象，proxies参数为一个字典。
(2)创建Opener对象
(3)安装Opener
使用 install_opener 方法之后，会将程序默认的 urlopen 方法替换掉。也就是说，如果使
用install_opener之后，在该文件中，再次调用urlopen会使用自己创建好的opener。
代码：
if __name__ == "__main__":
#访问网址
#url = 'http://www.baidu.com/'
url='http://ip.27399.com/’
#这是代理 IP proxy = {'http':'113.92.156.185:808'}
#创建 ProxyHandler
proxy_support = request.ProxyHandler(proxy)
#创建 Opener
opener = request.build_opener(proxy_support)
#添加 User Angent
opener.addheaders = [('User-Agent','Mozilla/5.0 (Windows NT 6.1; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/56.0.2924.87 Safari/537.36')]
网友评论