爬虫简介 （爬虫入门小知识点；正式进入爬虫-requests模块的使用；两个实战-使用reques
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！！！
- 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
- 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
- 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
-
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。 -
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)
- 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
- 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！
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
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！
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）
- 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()
-
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。 -
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。![在这里插入图片描述]()
-
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 -
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 -
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)
（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
-
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 -
爬虫中为什么要使用cookie:
- 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。 - 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。
- 带上cookie的好处：
-
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！
-
会话（状态）保持：
保存cookie
实现和服务端的长连接 -
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！
-
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"}
-
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 -
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”!
（1）多线程爬虫
- 思路解析：
![在这里插入图片描述]()
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
