python商业爬虫_商业爬虫学习笔记day1

day1

一. HTTP

1.介绍：

https://www.cnblogs.com/vamei/archive/2013/05/11/3069788.html

http://blog.csdn.net/guyuealian/article/details/52535294

2.当用户输入网址（如www.baidu.com）,发送网络请求的过程是什么？

上图应该还有往回的箭头（即服务器从数据库获取得到指定的请求资源，返回给客户端）

a. 通过域名服务器解析出www.baidu.com对应的ip地址

（1）先要知道默认网关的mac地址（通过arp协议获取默认网关的mac地址）

（2）组织数据，发送给默认网关（ip还是dns服务器的ip，但是mac地址是默认网关的mac地址）

（3）默认网关拥有转发数据的能力，把数据转发给路由器

（4）路由器根据自己的路由协议，来选择一个合适的较快的路径，转发数据给目的网关

（5）目的网关（dns服务器所在的网关）把数据转发给dns服务器

（6）dns服务器查询解析出www.baidu.com对应的ip地址，并把它原路返回给请求这个域名的client

b. 得到了baidu.com的ip地址后，进行tcp的3次握手，从而达到client与server的连接

c.通过http协议发送请求数据给对应的web服务器

d.web服务器收到数据请求之后，通过查询自己的服务器从而得到client请求的资源，原路返回给请求者（浏览器）

d.浏览器收到数据后，通过浏览器自己的渲染功能来显示这个网页

e.浏览器关闭tcp连接，即4次挥手

2.http的请求方式

（1）get请求

向特定的资源发出请求，其参数直接出现在url中，不安全，此外请求有长度限制，获取的数据只能是ASCII码类型数据

（2）post请求

向指定资源提交数据进行处理请求（例如提交表单或者上传文件）,数据（允许二进制数据）被包含在请求体中。请求方式安全，请求没有长度限制。POST请求可能会导致新的资源的创建或已有资源的修改

（3）PUT

向指定资源位置上传其最新内容

（4）delete

请求服务器删除Request-URI所标识的资源

（5）trace

客户端可以对请求消息的传输路径进行追踪，其是让web服务器端将之前的请求通信还给客户端的方法，主要用于测试和诊断

（6）head

类似get请求，其返回的响应中没有具体的内容（即不返回报文的主体部分）

（7）options

返回服务器针对特定资源所支持的HTTP请求方法（即客户端询问服务器可以提交哪些请求方法）

（8）connect

HTTP/1.1协议中预留给能够将连接改为管道方式的代理服务器

connect方法要求在与代理服务器通信时简历隧道，实现用隧道协议进行TCP通信。主要使用SSL（安全套接层）和TLS（传输层安全）协议把通信内容加密后经网络隧道传输

虽然HTTP的请求方式有8种，但是我们再实际应用中常用的也就是get和post，其他请求方式也都可以通过这两种方式间接来实现

3.http和https的区别

（1）https协议要CA(Certificate Authority, 证书授权中心)证书，需要一定的经济成本

（2）http是明文传输，https是加密的安全传输，所以https相对于http传输比较安全

（3）连接端口不一样，http是80，https是443

4.请求头（request header）内容

(1)Accept:⽂文本的格式

(2)Accept-Encoding:编码格式

(3)Connection:长链接短链接

(4)Cookie:验证⽤的

(5)Host:域名

(6)Referer:标志从哪个页面跳转过来的

(7)User-Agent:浏览器和⽤户的信息

二. 爬虫入门

（1）爬虫的价值：

1.买卖数据(⾼高端的领域价格特别贵)

2.数据分析:出分析报告

3.流量量

4.指数阿里指数,百度指数

（2）合法性:灰⾊色产业

政府没有法律律规定爬⾍虫是违法的,也没有法律律规定爬⾍虫是合法的

公司概念:公司让你爬数据库(窃取商业机密)责任在公司

（3）爬⾍虫可以爬取所有东⻄西?(不是)爬⾍只能爬取⽤用户能访问到的数据

爱奇艺的视频(vip，非vip)

1.普通⽤用户只能看非vip 爬取非vip的的视频

2.vip 爬取vip的视频

3.普通用户想要爬取vip视频(⿊黑客)

三. 爬虫的分类

(1)通⽤用爬⾍虫

1.使⽤用搜索引擎:百度谷歌 360 雅虎搜狗

优势:开放性速度快

劣势:⽬标不明确

返回内容:基本上%90是⽤户不需要的

不清楚用户的需求在哪里

(2)聚焦爬⾍虫(学习)

1.⽬标明确

2.对⽤户的需求非常精准

3.返回的内容很固定

增量式:翻⻚:从第⼀⻚请求到最后⼀页

Deep 深度爬⾍虫：

静态数据:html css

动态数据:js代码,加密的js

（3）robots

Robots协议（也称为爬虫协议、机器人协议等）的全称是“网络爬虫排除标准”（Robots Exclusion Protocol），网站通过Robots协议告诉搜索引擎哪些页面可以抓取，哪些页面不能抓取。您可以在您的网站中创建一个纯文本文件robots.txt，在这个文件中声明该网站中不想被robot访问的部分，这样，该网站的部分或全部内容就可以不被搜索引擎收录了，或者指定搜索引擎只收录指定的内容。

聚焦爬虫不遵守robots

四. 爬虫的工作原理

确定抓取目标的url是哪一个--->使用代码发送请求获取数据--->解析获取到的数据--->若有新的目标（url），回到第一步--->数据持久化（如，将数据写入文件中）

1. python3（原生提供的模块）：urlib.request

(1) urlopen:

a.返回response对象

b. response.read()

c. bytes.decode("utf-8")

(2) get：传参（没传data就默认使用get请求，传了data就post请求）

1.汉字报错 :解释器ascii没有汉字,url汉字转码

(3)post

(4)handle处理器的⾃定义

(5)urlError

五.代码

发送请求

import urllib.request

def load_data():

url= "http://www.baidu.com/"response=urllib.request.urlopen(url) # 发送请求

print(response)

data=response.read() # 读取到的内容为bytes

print(data)

# 将文件获取的内容转换成字符串

str_data= data.decode("utf-8")

print(str_data)

# 将数据写入文件

with open("baidu.html", "w",encoding="utf-8") asf: # 此处encoding="utf-8"一定要写，否则报错

f.write(str_data)load_data()

#python爬取的类型:str bytes

#如果爬取回来的是bytes类型:但是你写入的时候需要字符串 decode("utf-8")

#如果爬取过来的是str类型:但你要写入的是bytes类型 encode(""utf-8")

发送带参数的请求

import urllib.request

def get_method_params():

url= "http://www.baidu.com/s?wd="name= "美女"final_url= url +name

print(final_url)

# 使用代码发送网络请求

response=urllib.request.urlopen(final_url)

print(response)

get_method_params()

这样运行会报错UnicodeEncodeError: 'ascii' codec can't encode characters in position 10-11: ordinal not in range(128)

原因：python:是解释性语言;解析器只支持 ascii 码，不支持中文，此处的final_url包含了中文，所以就要进行url的转译，如将url（https://www.baidu.com/s?wd=美女）复制到pycharm中会直接转译，如下：

但我复制到自己的pycharm不会产生转译（怀疑视频老师讲错了）

自己查到的原因（不知道是否正确）：Url的编码格式采用的是ASCII，而不是Unicode，这也就是说你不能在Url中包含任何非ASCII字符，例如中文。否则如果客户端浏览器和服务端浏览器支持的字符集不同的情况下，中文可能会赵成问题

转译要用到parse，string模块，如下

import urllib.request

import urllib.parse

import string

defget_method_params():

url= "http://www.baidu.com/s?wd="name= "美女"final_url= url+nameprint(final_url)

#将包含汉字的网址进行转译

encode_new_url = urllib.parse.quote(final_url,safe=string.printable)print(encode_new_url)#使用代码发送网络请求

response =urllib.request.urlopen(encode_new_url)print(response)# 返回的是http对象，如

#读取内容

data =response.read().decode()print(data)#保存到本地

with open("02-encode.html","w",encoding="utf-8")as f:

f.write(data) get_method_params()

python商业爬虫_商业爬虫学习笔记day1相关推荐

python搞笑语句_云计算开发学习笔记：Python3 import语句
原标题:云计算开发学习笔记:Python3 import语句想使用 Python 源文件,只需在另一个源文件里执行 import 语句,语法如下: 当解释器遇到 import 语句,如果模块在当前的 ...
cocos2d python文档_【Cocos2D-X 学习笔记】Cocos2D-x 3.0+VS开发环境搭建[使用Python]
上一节讲了如何用VS自带的项目管理器创建项目,该方法只适用于cocos2d-x 2.0版本,而cocos2d-x 3.0较之前版本在命名等方面有了较大更新,而cocos2d-x3.0不再支持用VS项目 ...
y空间兑换代码_【CV学习笔记】色彩空间
关注"深度学习冲鸭",一起学习一起冲鸭! 设为星标,第一时间获取更多干货作者:云时之间来源:知乎链接:https://zhuanlan.zhihu.com/p/103387082 ...
Python的dict字典结构操作方法学习笔记
Python的dict字典结构操作方法学习笔记这篇文章主要介绍了Python的dict字典结构操作方法学习笔记本,字典的操作是Python入门学习中的基础知识,需要的朋友可以参考下一.字典的基本方 ...
23神经网络 :唐宇迪《python数据分析与机器学习实战》学习笔记
唐宇迪<python数据分析与机器学习实战>学习笔记 23神经网络 1.初识神经网络百度深度学习研究院的图,当数据规模较小时差异较小,但当数据规模较大时深度学习算法的效率明显增加,目前大 ...
《深度学习入门-基于Python的理论与实现》学习笔记1
<深度学习入门-基于Python的理论与实现>学习笔记1 第一章Python入门 Python是一个简单.易读.易记的编程语言,可以用类似于英语的语法进行编写程序,可读性高,且能写出高性能 ...
ELK搜索学习笔记--Day1
ELK搜索学习笔记–Day1 1．课程简介 1.1 课程内容 ELK是包含但不限于Elasticsearch(简称es).Logstash.Kibana 三个开源软件的组成的一个整体.这三个软件合成 ...
HCIA学习笔记day1
HCIA学习笔记day1 衡量网络优劣的几个标准: 带宽:在一段时间内,从一个点到另一个点的最大传输量传输的数据量单位是比特延迟:数据从一个点到达另一个点所经历的时间 200Mbps 单位是比特 ...
[深度学习]Part1 Python学习进阶Ch23爬虫Spider——【DeepBlue学习笔记】
本文仅供学习使用 Python高级--Ch23爬虫Spider 23. 爬虫Spider 23.1 HTTP基本原理 23.1.1 URI与URL 23.1.2 超文本 23.1.3 HTTP 和 H ...
《商业洞察力30讲》学习笔记（上）
[洞察力]| 作者 / Edison Zhou 这是恰童鞋骚年的第197篇原创文章学习洞察力,也是新时代IT人员的一门进阶必修课... 1学习背景 2019年下半年至今,在领导的推荐下学习了刘润老师 ...

python商业爬虫_商业爬虫学习笔记day1

python商业爬虫_商业爬虫学习笔记day1相关推荐

最新文章

热门文章