zoukankan      html  css  js  c++  java
  • 爬虫笔记

    爬虫案例

    • 12306抢票

    爬虫可以从12306的合作网站 比如:携程网 去哪儿 进行火车票购票

    • 网站上的投票

    使用爬虫进行微博刷榜 用户 ip cookie

    • 短信轰炸

    不推荐

    • 京东商户爬虫

    将淘宝商家发布的商品数据 通过爬虫爬取到 然后发布到京东的后台
    商品爬虫 填写淘宝网后台的账号密码

    • 文章类型的网站

    微信公众号 作者会发布很多文章 百度搜索不到这些文章
    使用爬虫爬取到这些文件 发布到自己的网站上 这样做成一个自动化的文章网站
    然后既可以通过放至广告就可以得到广告收入

    爬虫的分类

    通用爬虫 :通常指搜索引擎的爬虫

    聚焦爬虫 :针对特定网站的爬虫

    根本区别是用户不同

    pr算法 pagerank

    python

    今天我学习了<a href="https://www.python.org">python</a>. .....
    
    今天我学习了<a href="https://www.python.cn">python</a>. .....
    

    robots协议

    robots.txt

    User-anget: Baiduspider
    Allow: /product
    Allow: /photo
    Disallow: /admin

    锚点

    http://item.jd.com/11936238.html
    http://item.jd.com/11936238.html#product-detail

    注意事项

    浏览器Elements中内容是经过js修改后的内容,跟爬虫获取的内容不一样,爬虫获取的内容是右键"查看源代码"中的内容

    HTTP GET请求

    GET /login/doSuccess?id=100 HTTP/1.1
    Host: ntlias3.boxuegu.com
    Connection: keep-alive
    Cache-Control: max-age=0
    Upgrade-Insecure-Requests: 1
    User-Agent: Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/69.0.3497.100 Safari/537.36
    Accept: text/html,application/xhtml+xml,application/xml;q=0.9,image/webp,image/apng,/;q=0.8
    Referer: http://ntlias3.boxuegu.com/
    Accept-Encoding: gzip, deflate
    Accept-Language: zh-CN,zh;q=0.9,en;q=0.8
    Cookie: remember_pwd_username=zhaoshuailin@itcast.cn; remember_pwd_passowrd=%3D%3D; SESSION=4e20-a25d-99cfbf778a96

    HTTP POST请求

    POST /login HTTP/1.1 // 请求行
    Host: ntlias3.boxuegu.com // 请求头 请求头有多行
    Connection: keep-alive
    Cache-Control: max-age=0

    username=admin&password=admin123 // 请求体

    GET请求的参数在url里边 POST请球的参数在你什么地方?

    请求体

    状态码

    • 1xx:临时请求 请求未完成
    • 2xx:成功
    • 3xx:临时xxx
    • 4xx:请求有问题
    • 5xx:服务器内部错误

    字符集

    ASCII: 0-9a-zA-Z特殊符号
    GBK: 0-9a-zA-Z特殊符号 阿-作
    日本编码
    韩国编码
    Unicode: 0-9a-zA-Z特殊符号 日本编码韩国编码 俄罗斯 阿拉伯

    字符编码

    字符编码不是字符的集合 是unicode字符集的编码形式

    常见字符编码: utf-8 utf-16 utf-32

    python3中的字符串扩展知识

    python代码文件的编码: 默认utf-8
    python3内部(内存中)使用的编码: utf-16
    输出的编码: 检测当前环境 自动转码输出的文本

    chcp 65001 转换为utf-8编码

    requests模块是第三方模块

    需要使用pip进行安装

    pip install requests

    代码如下:

    import requests
    resposne = requests.get("https://www.baidu.com/")
    print(resposne.content.decode())
    

    练习:把网络上的图片保存到本地

    以什么方式打开文件
    保存什么格式的内容

  • 相关阅读:
    数据库基本概念
    Python语言特性之5:自省
    Python语言特性之4:类变量和实例变量
    Python语言特性之3:@staticmethod和@classmethod
    Python语言特性之2:元类
    Python语言特性之1:函数参数传递
    基础数学与算法学习
    推荐系统资料
    MySQL相关
    Python科学计算包模块的安装(ubuntu)
  • 原文地址:https://www.cnblogs.com/blog-rui/p/9806294.html
Copyright © 2011-2022 走看看