zoukankan
html css js c++ java
爬虫基础总结1
html
爬虫基础
概念
模拟浏览器发送网络请求,获取响应
分类
通用爬虫
搜索引擎的爬虫,面对整个互联网上所有的网站
聚焦爬虫
针对特定网站的爬虫
分类标准:爬虫爬取的范围
流程
1.url
2.发送请求,获取响应 (提取url地址,发送下一次请求)
3.提取数据
保存
rebots协议
道德层面的约束
数据应用
展示数据
进行数据分析等后续工作
HTTPS和HTTP
概念
https: http+ssl
http: 超文本传输协议
https更安全,性能更低
浏览器发送请求的流程
1.url
2.dns服务器获取域名的ip地址
3.请求ip
url对应的响应+css+js+png
注意:浏览器渲染出来的内容(elements)和url地址对应的响应不一样
url
协议
瞄点加不加,返回的响应一样
http协议的内容
1.请求行
2.请求头
User-Agent
用户代理。告诉服务器当前发送请求的是什么样的程序
Cookies
1.获取登录后的页面
2.对方的服务器通过cookie判断程序是否为爬虫
3.请求体
Post请求才有请求体
请求方法
get
post
表单
发送的数据量比较大的时候 (参数较多)
状态码
200:成功
302,307:重定向
404:资源不存在
500:服务器内部错误
字符串处理
str bytes.decode()
bytes str.encode()
Ascii,gbk,unicode字符集
Ascii使用一个字节表示一个字符,unicode使用2个字节表示一个字符
utf-8是unicode的一种实现方式,可变长的编码方式
requests
发送请求
requests.get(url)
获取响应的html字符串
response.content
bytes
response.content.decode()
response.text
str
response.encoding来指定编码格式
解决requests中编码的问题
response.content.decode()
resopnse.content.decode('gbk')
response.text
gbk<gb2312<gb18030
查看全文
相关阅读:
《软件过程管理》阅读笔记3
《软件过程管理》阅读笔记1
《深度学习—智能时代的核心驱动力量》阅读笔记4
《深度学习—智能时代的核心驱动力量》阅读笔记3
《深度学习—智能时代的核心驱动力量》阅读笔记2
《深度学习—智能时代的核心驱动力量》阅读笔记1
软件杯赛题周总结(6)
软件杯赛题周总结(5)
esp32 arduino 蓝牙 使用uln2003 驱动四相五线步进电机备忘
Oracle——在不安装oracle客户端的情况下,使用PLSQL
原文地址:https://www.cnblogs.com/wsilj/p/12735281.html
最新文章
学习记录
splay回忆提纲
学习计划
spring项目报错集锦
使用低级账户设置linux系统root账号密码
teamview超出用户限制——新电脑无法登录的问题(已解决)
谷歌浏览器无法在地址栏输入搜索的解决办法
第93届奥斯卡
TCP
SQL语句优化
热门文章
微服务
23种设计模式的功能
MQ
线程池
MySQL性能优化
Redis
Java
HashMap及LinkedHashMap
关于idea问题设置bundle路径问题的一点想法
《软件过程管理》阅读笔记4
Copyright © 2011-2022 走看看