爬虫前期知识的储备（二）

通用爬虫与聚焦爬虫：

通用爬虫：搜索引擎用的爬虫系统
1）目标：
把互联网的网页下载下来，放到本地服务器形成备份，
再对这些网页做相关处理（提取关键字，去掉广告），最后提供一个用户检索接口。
2）抓取流程:
首先选取一部分已有的URL，把这些URL放到待爬取队列。
从队列里取出这些URL，然后解析DNS得到主机IP，然后去这个IP地址对应的服务器下载HTML页面，
保存到搜索引擎的本地服务器，之后把这个爬过的url放入已爬取队列。
分析这些网页内容，找出网页里其他的URL连接，继续执行第二步，直到爬取条件结束。
DNS：就是把域名解析成IP的技术。
3）搜索引擎如何获取一个新网站的URL：
主动向搜索引擎主动提交网址；
在其它网站里设置网站的外链（友情链接）；
搜索引擎会和DNS服务商进行合作，可以快速收录新的网站。
4）通用爬虫并不是万物皆可爬，需要遵守一些规则：
Robots协议：协议会指明通用爬虫可以爬取网页的权限。
Robots.txt（详情规则），一般只有大型的搜索引擎爬虫会遵守。
个人写的爬虫就不管了。
5）通用爬虫工作流程：
爬取网页-->存储数据-->存储数据-->内容处理-->提供检索/排名服务
6）搜索引擎排名：
PageRank值：根据网站的流量（点击量/浏览量/人气）统计，排名越高越值钱。
竞价排名：谁给钱多，谁排名高。
7）通用爬虫的缺点:
只能提供和文本相关的内容（HTML、Word、PDF）等，
不能提供多媒体文件（音乐、图片、视频）等，二进制文件（程序、脚本）等。
提供的结果千篇一律，不能针对不同领域不同专业的人提供不同的搜索结果。
不能理解人类语义上的检索。

聚焦爬虫:爬虫程序员写的是针对某种内容的爬虫
为了解决通用爬虫存在的问题，聚焦爬虫出现了。
面向主题爬虫，面向需求爬虫，会针对某种特定的内容去爬取信息，
而且会保证内容和信息尽可能地相关。
聚焦爬虫的工作原理:
url-list-->响应内容-->提取url（-->响应内容，直到获取完成，进入下一步）-->提取数据-->入库

HTTP和HTTPS

HTTP协议：是一种发布和接收HTML页面的方法，即超文本传输协议。
HTTPS协议：HTTP的安全版，在HTTP下加入SSL层，SSL层在传输层对网络连接进行加密。

HTTP通信由两部分组成：客户端请求消息与服务器响应消息

客户端HTTP请求包括以下的格式：
请求行、请求头部、空行、请求数据
HTTP请求主要分为Get和Post两种方法。
GET是从服务器上获取数据，POST是向服务器传送数据。
如果要提交表单，选择Post方式，使用Get方式会把用户密码暴露在地址栏上。

Cookie：通过在客户端记录的信息确定用户的身份。
Session：通过在服务器端记录的信息确定用户的身份。

Fiddler是一个不错的抓包工具，当然直接浏览访问也可以。

那么接下来我们就写一个简单的爬虫百度代码:

from urllib import request

import random

#统一资源定位符

url="http://www.baidu.com"

#可以是User-Agent列表，也可以是代理列表

ua_list=[

"Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/63.0.3239.26 Safari/537.36 Core/1.63.6814.400 QQBrowser/10.3.3005.400",

"Mozilla/5.0 (iPhone; CPU iPhone OS 10_3 like Mac OS X) AppleWebKit/602.1.50 (KHTML, like Gecko) CriOS/56.0.2924.75 Mobile/14E5239e Safari/602.1",

"Mozilla/5.0 (Linux; Android 5.0; SM-G900P Build/LRX21T) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/63.0.3239.26 Mobile Safari/537.36",

"Mozilla/5.0 (Linux; Android 6.0; Nexus 5 Build/MRA58N) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/63.0.3239.26 Mobile Safari/537.36"

]

#在User-Agent列表中随机选择一个,更具有安全性

user_agent=random.choice(ua_list)

#User-Agent是爬虫和反爬虫斗争的第一步，养成这个好习惯

headers={

"User-Agent":user_agent

}

#向指定的url地址发送请求，并返回服务器响应的类文件对象

#在Python2中，是urllib2，在Python3被改成urllib.request.

response=request.urlopen(url)

#服务器返回的类文件对象支持Python文件对象的操作方法

#read()方法就是读取文件里的全部内容，返回字符串

html=response.read()

#打印响应内容

print(html)

#打印响应码

print(response.getcode())

#返回实际数据的实际url，防止重定向的问题

print(response.geturl())

#返回服务器响应的HTTP报头

print(response.info())

 

输出结果:

（百度源码略）

200

http://www.baidu.com

Date: Mon, 07 Jan 2019 06:47:42 GMT
Content-Type: text/html
Transfer-Encoding: chunked
Connection: Close
Vary: Accept-Encoding
Set-Cookie: BAIDUID=B1228A8040377591F7EB96B1090C4AE2:FG=1; expires=Thu, 31-Dec-37 23:55:55 GMT; max-age=2147483647; path=/; domain=.baidu.com
Set-Cookie: BIDUPSID=B1228A8040377591F7EB96B1090C4AE2; expires=Thu, 31-Dec-37 23:55:55 GMT; max-age=2147483647; path=/; domain=.baidu.com
Set-Cookie: PSTM=1546843662; expires=Thu, 31-Dec-37 23:55:55 GMT; max-age=2147483647; path=/; domain=.baidu.com
Set-Cookie: delPer=0; path=/; domain=.baidu.com
Set-Cookie: BDSVRTM=0; path=/
Set-Cookie: BD_HOME=0; path=/
Set-Cookie: H_PS_PSSID=1461_21101_28205_28132_26350_28266_27245_22158; path=/; domain=.baidu.com
P3P: CP=" OTI DSP COR IVA OUR IND COM "
Cxy_all: baidu+395db271fbbb06e1373116f63b95c029
Cache-Control: private
Expires: Mon, 07 Jan 2019 06:47:25 GMT
Server: BWS/1.1
X-UA-Compatible: IE=Edge,chrome=1
BDPAGETYPE: 1
BDQID: 0xd80982870003d452