1.爬虫是什么？

引言：爬虫？什么是爬虫？
爬虫的定义：模拟浏览器发送请求，获取响应。
书面化爬虫简介！！！点我哦！！！

1. 爬虫的作用：

    1.数据采集
        抓取微博评论（机器学习舆情监控）
        抓取招聘网站的招聘信息（数据分析，挖掘）
        新浪滚动新闻
        百度新闻网站
    2.软件测试
        爬虫之自动化测试
        虫师
    3.12306抢票
    4.网站上的投票
    5.网络安全
        短信轰炸
        web漏洞扫描

2. 爬虫的分类：

根据被爬取的数量不同，分类：
    通用爬虫：通常指搜索引擎的爬虫       具有很大的局限性：大部分内容没有用，不同搜索目的，返回的内容相同！
	（通用爬虫是搜索引擎抓取系统 （baidu,goole,yahoo等）的重要组成部分 。
	主要目的是将互联网的网页下载到本地 ，形成一个互联网内容的镜像备份。）
	
    聚焦爬虫：针对特定网站的爬虫
    （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 ：
	聚焦爬虫在实施页面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）
    
根据是否获取数据为目的，分类：
    功能性爬虫，比如，投票，点赞
    数据增量爬虫，比如招聘信息
    
根据url地址和对应的页面内容是否改变，数据增量爬虫分类：
    基于url地址变化，内容也随之变化的数据增量爬虫
    url地址不变，内容变化的数据增量爬虫

3. 工作流程：

流程：url——>发送请求，获取响应——>提取数据——>保存数据
    发送请求，获取响应——>提取url地址，继续请求

4. robots协议：
   robots协议：网站通过robots协议，告诉我们搜索引擎哪些页面可以抓取，哪些页面不能抓取，但它仅仅是道德层面上的约束。

5. http的重点请求头：

http的重点请求头：
    user-agent：告诉对方服务器是什么客户端正在请求资源，爬虫中模拟浏览器非常重要的一个手段
    爬虫中通过把user-agent设置为浏览器的ua，能够达到模拟浏览器的效果。
    cookie：获取登录之后，才能够访问的资源
    
常见的请求头，响应头
    Content-Type
    Host（主机和端口号）
    Upgrade-Insecure-Rwquests(升级为https请求)
    User-Agent(浏览器名称)
    Referer(页面跳转处)
    Cookie
    Authorization(用于表示http协议中需要认证资源的认证信息，如jwt认证)
    

6. 浏览器发送http请求的过程：

浏览器发送http请求的过程：
1.域名解析 --> 

2.发起TCP的3次握手 --> 

3.建立TCP连接后发起http请求 --> 

4.服务器响应http请求，浏览器得到html代码 --> 

5.浏览器解析html代码，并请求html代码中的资源（如js、css、图片等） --> 

6.浏览器对页面进行渲染呈现给用户.


注意：
在网页的检查里的Network->Name->Request Headers  view parsed下
的Connection:keep-alive保持常连接，就不用频繁的三次握手和三次分手！

浏览器获取的内容（elements的内容）包含：url地址对应的响应+js+css+jpg
爬虫会获取：url地址对应的响应
爬虫获取的内容和elements内容不一样，进行数据提取的时候，需要根据url地址对应的响应为准

7. http和HTTPS的概念：

		1.http超文本传输协议      协议默认端口80
		2.https也是超文本传输协议  协议默认端口443
		http因为是明文传输，而https是密文传输，所以HTTPS比http更安全，但是性能低，因为解密需要消耗时间！

2.正式进入爬虫—requests模块的使用！

1.url地址解码的方法：
requests.utils.unquote(url)

2.requests中headers如何使用：
    headers = {"User-Agent":""}
    requests.get(url,headers=headers)

3.requests中如何发送post请求：
    data = {"浏览器中的form data"}
    requests.post(url,data=data)

概念：爬虫就是模拟浏览器发送网络请求，获取请求响应

4.requests如何发送请求和获取响应：
    response = requests.get(url)
    
    response.text ---> str（获取的数据是字符串类型）
    response.encoding="utf-8"（乱码需要解码，修改编码方式）
    
    response.content ---> bytes（获取的数据是字节类型）
    response.content.decode()（字节需要编码）

5.响应：
response.text                          str类型,
response.content                       获取内容,字节类型，需要decode编码
response.status_code                   获取状态码
response.request.headers               响应对应的请求头
response.headers                       响应头
response.request.url                   请求url地址
response.url                           响应url地址
response.request._cookie               响应对应请求的cookie；返回cookiejar类型
response.cookies			           响应cookie(经过了set-cookie动作，返回cookiejar类型）
response.json()			               自动将json字符串类型的响应内容转换为python对象（dict  或者  list）

6.发送带参数的请求：
params = {"":""}
url_temp = "不完整的URL地址"
requests.get(url_temp,params=params)
例：wd为百度词条搜索url的参数key值

3.实战：利用requests库进行百度贴吧的爬取！

import os
import requests

'''
为了构造正确的url！！！
进入百度贴吧进行测试，任意搜索一个信息，通过不同页更换，观察url找寻规律：
https://tieba.baidu.com/f?kw=美食&ie=utf-8&pn=0
https://tieba.baidu.com/f?kw=美食&ie=utf-8&pn=50
https://tieba.baidu.com/f?kw=美食&ie=utf-8&pn=100
https://tieba.baidu.com/f?kw=美食&ie=utf-8&pn=150
'''

class TiebaSpider:
    def __init__(self,tieba_name):
        self.tieba_name = tieba_name
        self.url_temp = "https://tieba.baidu.com/f?kw="+tieba_name+"&ie=utf-8&pn={}"
        self.headers = {"User-Agent":"Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/84.0.4147.89 Safari/537.36"}

    # 构造url列表
    def get_url_list(self):
        return [self.url_temp.format(i*50) for i in range(5)]

    # 发送请求，获取响应
    def parse_url(self,url):
        response = requests.get(url,headers=self.headers)
        return response.content.decode()

    # 保存
    def save_html_str(self, html_str, page_num):
        file_path = "{}_第{}页.html".format(self.tieba_name, page_num)
        dir = 'ceshi'
        if not os.path.exists(dir):
            os.mkdir(dir)
        file_path = dir + '/' + file_path
        with open(file_path, "w", encoding='utf-8') as f:
            f.write(html_str)
        print("保存成功！")

    # 实现主要逻辑
    def run(self):
        # 构造url列表
        url_list = self.get_url_list()
        # 发送请求，获取响应
        for url in url_list:
            html_str = self.parse_url(url)
            # 保存
            page_num = url_list.index(url)+1
            self.save_html_str(html_str, page_num)

if __name__ == '__main__':
    name_date = input("请输入你想知道的内容：")
    tieba_spider = TiebaSpider(name_date)
    tieba_spider.run()

本代码是爬取指定搜索内容获取到的html源码头5页！

4.requests模块发送post请求

应用场景：登录注册
需要传输大文本内容的时候（post请求对长度没有要求）

1. 用法：
   response = requests.post（“http://www.baidu.com”, data = data, headers = headers）
   data的形式：字典
   data的来源：固定值，抓包（form data）

实战：汉译英爬虫实现！

import requests
import json
class King(object):
    def __init__(self, word):
        self.url = 'http://fy.iciba.com/ajax.php?a=fy'
        self.headers = {'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/79.0.3945.79 Safari/537.36'}
        self.data = {
            'f': 'auto',
            't': 'auto',
            # 'w': '字典'
            'w': word
        }
    def post_data(self):
        response = requests.post(self.url, data=self.data, headers=self.headers)
        return response.content

    def parse_data(self,data):
        # 将json字符串转化为字典
        dict_data = json.loads(data)
        try:
            print(dict_data['content']['out'])
        except:
            print(dict_data['content']['word_mean'][0])

    def run(self):
        # 编写爬虫的逻辑
        # url
        # headers
        # data 字典
        # 发送请求获取响应
        response = self.post_data()
        # print(response)
        # 数据分析
        # 获取翻译后的结果
        self.parse_data(response)

if __name__ == '__main__':
    word = input('请输入要翻译的单词或者句子：')
    king = King(word)
    king.run()

5.使用代理：

1. 什么是代理？
   什么是代理？
   代理IP是一个ip ,指的是一个代理服务器。

2. 要晓得正向代理和反向代理是啥？
   不知道服务器的地址做为判断标准：知道就是正向代理，不知道就是反向代理。
   

3. 代理ip的分类
   匿名度：
   透明代理 ：目标服务器可以通过代理找到你的ip
   匿名代理 ：两者之间
   高匿代理 ：在爬虫中经常使用，目标服务器无法获取你的ip
   协议：
   根据网站使用的协议不同，需要使用响应的协议代理服务，
   http代理：目标的url为http协议
   https代理：目标url为https协议
   socks代理 ：只是简单的传递数据包，不关心是何种协议，比http和HTTPS代理消耗小， 可以转发http和https的请求

4. 为何使用代理？
   （1）让服务器以为不是同一个客户端在请求
   （2）防止我们的真实地址被泄露，防止被追究

5. 用法：

    response = requeses.get("http://www.baidu.com, proxies = proxies")
    proxies的形式：字典
    
    例如:
    proxies = {
        "http": "http://192.168.13.24:8000",
        "https": "http://192.168.13.24:8000"
    }

案例：
import requests
url = “http://www.baidu.com”

proxies = {
‘http’:‘http://111.222.11.123:12222’,
}
headers = {“User-Agent”:“Mozilla/5.0 (Windows NT 10.0;.36 (KHTML, like Gecko) Chrome/84.0.414.36”}

response = requests.get(url,proxies=proxies,headers=headers,timeout=5)
print(response.text)

6.cookie与session

（1）requests获取cookie

requests.utils.dict_from_cookiejar:把cookiejar对象转化为字典。

举例：
import requests

url = 'http://www.baidu.com'
response = requests.get(url)
cookie = requests.utils.dict_from_cookiejar(response.cookies)
print(cookie)

cookie是一个字典：
{'ucloud_zz': '1'}

（2）requests处理cookie请求

1. cookie和session的区别：

   cookie数据存放在客户的浏览器上，session数据放在服务器上
   cookie不是很安全，别人可以分析存放在本地的cookie并进行cookie欺骗
   session会在一定时间内保存在服务器上，当访问增多，会比较占用服务器的性能
   单个cookie保存的数据不能超过4k，很多浏览器都限制一个站点最多保存20个cookie
   

2. 爬虫中为什么要使用cookie:

   1. 带上cookie的好处：
      ①能够访问登录页面。
      ②正常的浏览器在请求服务器的时候肯定会带上cookie（第一次请求除外），所以对方服务器有可能会通过是否携带cookie来判断我们是否是一个爬虫，对应的能够起到一定的反爬作用。
   2. 带上cookie的坏处：
      ①一套cookie往往对应的是一个用户的信息，请求太频繁有更大的可能性被对方识别为爬虫。
      ②一般使用多账号解决。

3. requests进行携带cookie登录：

    1.cookie字符串放在headers中：
        headers = {
            'User-Agent': 'xxxxx',
            'Cookie': 'xxxxx'
        }
    2.把cookie字典交给requests请求方法的cookies：
        cookies = {‘cookie的name’：‘cookie的value}
		使用方法：
		requests.get(url, headers, cookies=cookie_dict)

（3）requests处理cookie请求之session

requests提供了session类，用来实现客户端和服务的的会话保持！

1. 会话（状态）保持：
   保存cookie
   实现和服务端的长连接

2. 使用方法：
   session = requests.session()
   response = session.get(url, headers)

   session在请求一个网站后，对方服务器设置在本地的cookie会保存在session中，下一次在使用session请求对方的服务器的时候，会带上前一次的cookie！

3. 实战：人人网！

import requests

# 1.实例化session
session = requests.Session()

# 2. 使用session发送post请求，对方服务器会把cookie设置在session中
headers = {"User-Agent":"Mozilla/5.0 (Windows; U; Windows NT 5.1; en-US) AppleWebKit/532.2 (KHTML, like Gecko) Chrome/4.0.222.3 "}
post_url = "http://www.renren.com/PLogin.do"
post_data = {"email":"自己的账号","password":"自己的密码"}

session.post(post_url,data=post_data,headers=headers)

# 3.请求个人主页，会带上之前的cookie，能够请求成功
profile_url = "http://www.renren.com/自己进自己主页会有的/profile"
response = session.get(profile_url,headers=headers)

with open("renren.html", "w", encoding="utf-8") as f:
    f.write(response.content.decode())

（4）requests模拟登陆的三种方法

   1.session：
        实例化对象
        session.get(url) #cookie保存在session中
        session.get(url) #带上保存在session中cookie

   2.cookie方法在headers中
   3.cookie传递给cookies参数：
        cookie = {"cookie 的name的值":"cookie 的value对应的值"}

1. requests处理ssl证书：

   ssl证书不安全导致爬虫程序报错，返回ssl.CertificateError（证书错误）
   解决办法：response=requests.get(url, verify = False)
   verify = False 代表不在验证证书，默认是True验证

2. requests与超时参数（检测IP代理池）：

   response=requests.get(url, timeout=3)
   timeout=3，代表保证在3秒钟内返回响应，否则报错

（5）retrying模块（刷新）与超时参数timeout

1.使用retrying模块提供的retry方法
2.通过装饰器的方式，让被装饰的函数反复执行
3.retry中可以传入参数 stop_max_attempt_number，让函数报错后继续重新执行，达到最大执行次数的上限，如果每次都报错，整个函数报错，如果中间有一个成功，程序继续往后执行

import requests
from retrying import retry

headers = {"User-Agent":"Mozilla/5.0 (Windows; U; Windows NT 5.1; en-US) AppleWebKit/532.2 (KHTML, like Gecko) Chrome/4.0.222.3 "}

@retry(stop_max_attempt_number=3)   # stop_max_attempt_number=3最大执行3次，还不成功就报错
def _parse_url(url):                                            # 前面加_代表此函数，其他地方不可调用
    print("*"*100)
    response = requests.get(url, headers=headers, timeout=3)    # timeout=3超时参数，3s内
    assert response.status_code == 200                          # assert断言，此处断言状态码是200，不是则报错
    return response.content.decode()


def parse_url(url):
    try:
        html_str = _parse_url(url)
    except Exception as e:
        print(e)
        html_str = None
    return html_str

if __name__ == '__main__':
    # url = "www.baidu.com"         这样是会报错的！
    url = "http://www.baidu.com"
    print(parse_url(url))    

无法爬取到的情况：url = “www.baidu.com”!

正确爬取到的情况：url = “http://www.baidu.com”!

7.多线程爬虫

（1）多线程爬虫

1. 思路解析：
   

在python3中，主线程主进程结束，子线程，子进程不会结束
把子线程设置为守护线程，即主线程结束，子线程结束
t1 = threading.Thread(targe=func, args=(，))
t1.setDaemon(True）
t1.start()    #  线程启动

（2）队列模块的使用（将线程放入队列中实现）

from queue import Queue
q = Queue(masize=100)
item = {}

 # 不等待，直接放（存），队列满的时候会报错
q.put_nowait(item)  

  # 放入数据，队列满的时候会等待
q.put(item)  

# 不等待，直接取，队列空的时候会报错
q.get_nowait()   

# 取出数据，队列空的时候会等待
q.get()    

 #  获取队列中现存数据的个数
q.qsize()  

 # 队列中维持了一个计数，计数不为0时候，让主线程阻塞等待，队列计数为0的时候才会继续往后面执行
q.join()   

q.task_done() 和get()方法配合，队列计数-1
q.put() 队列计数+1