文章目录前言

欢迎来到我们的圈子

初见爬虫

为什么是爬虫

通用爬虫架构

爬虫的工作步骤

优秀爬虫的特性

1.高性能

2.可扩展性

3.健壮性

4.友好性

爬虫初体验

requests.get()

Response对象常用的四个属性

我国有一部完整的法律

前言

前期回顾：你要偷偷的学Python，然后惊呆所有人(第六天)

前一天说了，我们今天要进入到爬虫的学习，对，今天我们开始爬

本系列文默认各位有一定的C或C++基础，因为我是学了点C++的皮毛之后入手的Python。本系列文默认各位会百度，学习‘模块’这个模块的话，还是建议大家有自己的编辑器和编译器的，上一篇已经给大家做了推荐啦？本系列也会着重培养各位的自主动手能力，毕竟我不可能把所有知识点都给你讲到，所以自己解决需求的能力就尤为重要，所以我在文中埋得坑请不要把它们看成坑，那是我留给你们的锻炼机会，请各显神通，自行解决。1234567

如果是小白的话，可以看一下下面这一段：

欢迎来到我们的圈子

我建了一个Python学习答疑群，有兴趣的朋友可以了解一下：关注小编，并私信“01”即可进裙，领取python学习资料，会节约很多时间，减少很多遇到的难题。

初见爬虫

我也不是啥大佬，所以也不会一上来就一大堆特别高大上的爬虫技巧呈现出来，我们一步一步来吧。

网络爬虫，也叫网络蜘蛛(Web Spider)。它根据网页地址(URL)爬取网页内容，而网页地址(URL)就是我们在浏览器中输入的网站链接。比如：https://www.baidu.com/，它就是一个URL。

为什么是爬虫

通用搜索引擎的处理对象是互联网网页，目前互联网网页的数量已达百亿，所以搜索引擎首先面临的问题是：如何能够设计出高效的下载系统，以将如此海量的网页数据传送到本地，在本地形成互联网网页的镜像备份。

网络爬虫能够起到这样的作用，完成此项艰巨的任务，它是搜索引擎系统中很关键也很基础的构件。

举个很常见的栗子吧：百度。

百度这家公司会源源不断地把千千万万个网站爬取下来，存储在自己的服务器上。你在百度搜索的本质就是在它的服务器上搜索信息，你搜索到的结果是一些超链接，在超链接跳转之后你就可以访问其它网站了。

通用爬虫架构

好，上面这张图能看明白吗？如果不能的话，我们来再看些用户访问网站的流程图：

这是一个人机交互的流程，那么我们再来看看爬虫在这个闭环里面能够取代掉哪些工作：

是吧，非常符合我们的“人工智能”的特性，解放我们的双手。

爬虫的工作步骤

第1步：获取数据。爬虫程序会根据我们提供的网址，向服务器发起请求，然后返回数据。第2步：解析数据。爬虫程序会把服务器返回的数据解析成我们能读懂的格式。第3步：提取数据。爬虫程序再从中提取出我们需要的数据。第4步：储存数据。爬虫程序把这些有用的数据保存起来，便于你日后的使用和分析。1234567

这就是爬虫的工作原理啦，无论之后的学习内容怎样变化，其核心都是爬虫原理。

本章旨在直截了当的认识爬虫，所以过多的不必要的概念就不引伸了。

优秀爬虫的特性

话说优秀的代码好像都是这些特性。

不过有人能说出优秀架构的特性吗？让我眼前一亮，惊呼一声：“大佬，带我”

1.高性能

这里的性能主要是指爬虫下载网页的抓取速度，常见的评价方式是以爬虫每秒能够下载的网页数量作为性能指标，单位时间能够下载的网页数量越多，爬虫的性能越高。

要提高爬虫的性能，在设计时程序访问磁盘的操作方法(磁盘IO)及具体实现时数据结构的选择很关键，比如对于待抓取URL队列和已抓取URL队列，因为URL数量非常大，不同实现方式性能表现迥异，所以高效的数据结构对于爬虫性能影响很大。

2.可扩展性

即使单个爬虫的性能很高，要将所有网页都下载到本地，仍然需要相当长的时间周期，为了能够尽可能缩短抓取周期，爬虫系统应该有很好地可扩展性，即很容易通过增加抓取服务器和爬虫数量来达到此目的。

目前实用的大型网络爬虫一定是分布式运行的，即多台服务器专做抓取。每台服务器部署多个爬虫，每个爬虫多线程运行，通过多种方式增加并发性。

对于巨型的搜索引擎服务商来说，可能还要在全球范围、不同地域分别部署数据中心，爬虫也被分配到不同的数据中心，这样对于提高爬虫系统的整体性能是很有帮助的。

3.健壮性

爬虫要访问各种类型的网站服务器，可能会遇到很多种非正常情况：比如网页HTML编码不规范、 被抓取服务器突然死机，甚至爬到陷阱里边去了等。爬虫对各种异常情况能否正确处理非常重要，否则可能会不定期停止工作，这是无法忍受的。

从另外一个角度来讲，假设爬虫程序在抓取过程中死掉，或者爬虫所在的服务器宕机，健壮的爬虫应能做到：再次启动爬虫时，能够恢复之前抓取的内容和数据结构，而不是每次都需要把所有工作完全从头做起，这也是爬虫健壮性的一种体现。

4.友好性

爬虫的友好性包含两方面的含义：一是保护网站的部分私密性；另一是减少被抓取网站的网络负载。爬虫抓取的对象是各类型的网站，对于网站所有者来说，有些内容并不希望被所有人搜到，所以需要设定协议，来告知爬虫哪些内容是不允许抓取的。目前有两种主流的方法可达到此目的：爬虫禁抓协议和网页禁抓标记。

这一点后面会再详细说明。

爬虫初体验

网络爬虫的第一步就是根据URL，获取网页的HTML信息。在Python3中，可以使用urllib.request和requests进行网页爬取。

urllib库是python内置的，无需我们额外安装，只要安装了Python就可以使用这个库。

requests库是第三方库，需要我们自己安装。12

requests库的基础方法如下：

requests.get()

看一段伪代码：

import requests#引入requests库res = requests.get('URL')#requests.get是在调用requests库中的get()方法，#它向服务器发送了一个请求，括号里的参数是你需要的数据所在的网址，然后服务器对请求作出了响应。#我们把这个响应返回的结果赋值在变量res上。123456

刚刚我还在群里跟他们说，学习Python最重要的是打基础，从数据类型，数据结构开始。

那我们就来看看这爬虫获取数据的返回值是个什么数据类型。

先随便找个网址吧，要不就开头那个小乌龟的网址吧：

https://timgsa.baidu.com/timg?image&quality=80&size=b9999_10000&sec=1604032500192&di=67b6cdd3eb1722f845fd0cc39625b386&imgtype=0&src=http%3A%2F%2Fwx1.sinaimg.cn%2Flarge%2F006m97Kgly1g5voen881dj30ag0aawfo.jpg

网址是长了点哈，不过可以实验的。

import requests

res = requests.get('URL')

print(type(res))#打印变量res的数据类型1234

结果：

Response对象常用的四个属性

首先是我们的status_code，它是一个很常用的属性，用于检查请求出否成功，可以把它的返回值打印出来看。

接着的属性是response.content，它能把Response对象的内容以二进制数据的形式返回，适用于图片、音频、视频的下载，看个例子你就懂了。

来我们把那个小乌龟爬下来：

import requestsres = requests.get('https://timgsa.baidu.com/timg?image&quality=80&size=b9999_10000&sec=1604032500192&di=67b6cdd3eb1722f845fd0cc39625b386&imgtype=0&src=http%3A%2F%2Fwx1.sinaimg.cn%2Flarge%2F006m97Kgly1g5voen881dj30ag0aawfo.jpg')#发出请求，并把返回的结果放在变量res中pic=res.content#把Reponse对象的内容以二进制数据的形式返回photo = open('乌龟.jpg','wb')#新建了一个文件ppt.jpg，这里的文件没加路径，它会被保存在程序运行的当前目录下。#图片内容需要以二进制wb读写。你在学习open()函数时接触过它。photo.write(pic)#获取pic的二进制内容photo.close()#关闭文件123456789101112

大家也可以自己去爬一爬网站里面的小照片。

有的朋友会问：那我要怎么知道我的小照片网址呢？

其实也好办：右击小照片，新建标签页打开，网址不就有了吗。

再不行，你直接把这篇文章上的小照片拖一下嘛，拖到新窗口去，网址就有了。

好，今天的实操大概就在这里了。

讲完了response.content，继续看response.text，这个属性可以把Response对象的内容以字符串的形式返回，适用于文字、网页源代码的下载。

看清楚啊，是源代码。

来，随便找个网址，比方说我这篇文章的网址，咱来体验一下：

import requests#引用requests库res = requests.get('https://mp.toutiao.com/profile_v4/graphic/publish?pgc_id=6889211245900071428')

novel=res.text#把Response对象的内容以字符串的形式返回k = open('《第七天》.txt','a+')#创建一个名为《第七天》的txt文档，指针放在文件末尾，追加内容k.write(novel)#写进文件中k.close()#关闭文档1234567891011

接下来，我们看最后一个属性：response.encoding，它能帮我们定义Response对象的编码。

首先，目标数据本身是什么编码是未知的。用requests.get()发送请求后，我们会取得一个Response对象，其中，requests库会对数据的编码类型做出自己的判断。但是！这个判断有可能准确，也可能不准确。

如果它判断准确的话，我们打印出来的response.text的内容就是正常的、没有乱码的，那就用不到res.encoding；如果判断不准确，就会出现一堆乱码，那我们就可以去查看目标数据的编码，然后再用res.encoding把编码定义成和目标数据一致的类型即可。

讲的有点累了啊，咱再提一点。

我国有一部完整的法律

其实我国关于爬虫的法律还在完善当中啦，所以嘛，要爬趁早。

通常情况下，服务器不太会在意小爬虫，但是，服务器会拒绝频率很高的大型爬虫和恶意爬虫，因为这会给服务器带来极大的压力或伤害。

不过，服务器在通常情况下，对搜索引擎是欢迎的态度(刚刚讲过，谷歌和百度的核心技术之一就是爬虫)。当然，这是有条件的，而这些条件会写在Robots协议。

Robots协议是互联网爬虫的一项公认的道德规范，它的全称是“网络爬虫排除标准”(Robots exclusion protocol)，这个协议用来告诉爬虫，哪些页面是可以抓取的，哪些不可以。

如何查看网站的robots协议呢，很简单，在网站的域名后加上/robots.txt就可以了。

协议里最常出现的英文是Allow和Disallow，Allow代表可以被访问，Disallow代表禁止被访问。

工具在你手中，如何利用它是你的选择。当你在爬取网站数据的时候，别忘了先看看网站的Robots协议是否允许你去爬取。

同时，限制好爬虫的速度，对提供数据的服务器心存感谢，避免给它造成太大压力，维持良好的互联网秩序，也是我们该做的事。

以上，就是我们今天要讲的内容啦，下一次我们就来对那些网页进行分析，获取网页中我们要的东西。

最后多说一句，想学习Python可联系阿喵，这里有我自己整理的整套python学习资料和路线，想要这些资料的都可以关注up主，并私信“资料”领取。