一、基础入门

1.1

什么是爬虫

爬虫(spider，又网络爬虫)，是指向网站/网络发起请求，获取资源后分析并提取有用数据的程序。

从技术层面来说就是 通过程序模拟浏览器请求站点的行为，把站点返回的HTML代码/JSON数据/二进制数据（图片、视频） 爬到本地，进而提取自己需要的数据，存放起来使用。

1.2

爬虫基本流程

用户获取网络数据的方式：

方式1：浏览器提交请求--->下载网页代码--->解析成页面

方式2：模拟浏览器发送请求(获取网页代码)->提取有用的数据->存放于数据库或文件中

爬虫要做的就是方式2。

1发起请求

使用http库向目标站点发起请求，即发送一个Request

Request包含：请求头、请求体等  

Request模块缺陷：不能执行JS 和CSS 代码

2获取响应内容

如果服务器能正常响应，则会得到一个Response

Response包含：html，json，图片，视频等 

3解析内容

解析html数据：正则表达式（RE模块）、xpath（主要使用）、beautiful soup、css

解析json数据：json模块

解析二进制数据:以wb的方式写入文件 

4保存数据

数据库（MySQL，Mongdb、Redis）或 文件的形式。

1.3

http协议 请求与响应

http协议

Request：用户将自己的信息通过浏览器（socket client）发送给服务器（socket server）

Response：服务器接收请求，分析用户发来的请求信息，然后返回数据（返回的数据中可能包含其他链接，如：图片，js，css等）

ps：浏览器在接收Response后，会解析其内容来显示给用户，而爬虫程序在模拟浏览器发送请求然后接收Response后，是要提取其中的有用数据。

1.3.1 request

 (1) 请求方式

常见的请求方式：GET / POST

（2）请求的URL

url全球统一资源定位符，用来定义互联网上一个唯一的资源 例如：一张图片、一个文件、一段视频都可以用url唯一确定

（3）请求头

User-agent：请求头中如果没有user-agent客户端配置，服务端可能将你当做一个非法用户host；

cookies：cookie用来保存登录信息

注意：一般做爬虫都会加上请求头。

请求头需要注意的参数：

• Referrer：访问源至哪里来（一些大型网站，会通过Referrer 做防盗链策略；所有爬虫也要注意模拟）

• User-Agent:访问的浏览器（要加上否则会被当成爬虫程序） 

• cookie：请求头注意携带

（4）请求体

请求体 如果是get方式，请求体没有内容 （get请求的请求体放在 url后面参数中，直接能看到） 如果是post方式，请求体是format data

ps：1、登录窗口，文件上传等，信息都会被附加到请求体内 2、登录，输入错误的用户名密码，然后提交，就可以看到post，正确登录后页面通常会跳转，无法捕捉到post

1.3.2 response

  （1）响应状态码

• 　　200：代表成功

• 　　301：代表跳转

• 　　404：文件不存在

• 　　403：无权限访问

• 　　502：服务器错误

（2）response header

响应头需要注意的参数：Set-Cookie:BDSVRTM=0; path=/：可能有多个，是来告诉浏览器，把cookie保存下来

（3）preview就是网页源代码

         json数据

         如网页html，图片

         二进制数据等 

二、基础模块

2.1  requests     

requests是python实现的简单易用的HTTP库,是由urllib的升级而来。

开源地址：

https://github.com/kennethreitz/requests

中文API：

http://docs.python-requests.org/zh_CN/latest/index.html

2.2 re 正则表达式

在 Python 中使用内置的 re 模块来使用正则表达式。

缺点：处理数据不稳定、工作量大

2.3 XPath

Xpath(XML Path Language) 是一门在 XML 文档中查找信息的语言，可用来在 XML 文档中对元素和属性进行遍历。

在python中主要使用 lxml 库来进行xpath获取（在框架中不使用lxml，框架内直接使用xpath即可）

lxml 是 一个HTML/XML的解析器，主要的功能是如何解析和提取 HTML/XML 数据。

lxml和正则一样，也是用 C 实现的，是一款高性能的 Python HTML/XML 解析器，我们可以利用之前学习的XPath语法，来快速的定位特定元素以及节点信息。

2.4 BeautifulSoup

和 lxml 一样，Beautiful Soup 也是一个HTML/XML的解析器，主要的功能也是如何解析和提取 HTML/XML 数据。

使用BeautifulSoup需要导入bs4库

缺点：相对正则和xpath处理速度慢

优点：使用简单

2.5 Json

JSON(JavaScript Object Notation) 是一种轻量级的数据交换格式，它使得人们很容易的进行阅读和编写。同时也方便了机器进行解析和生成。适用于进行数据交互的场景，比如网站前台与后台之间的数据交互。

在python中主要使用 json 模块来处理 json数据。Json解析网站：

https://www.sojson.com/simple_json.html

2.6 threading

使用threading模块创建线程，直接从threading.Thread继承，然后重写__init__方法和run方法

三、方法实例

3.1 get方法实例

demo_get.py

3.2 post方法实例

demo_post.py

3.3 添加代理

demo_proxies.py

3.4 获取ajax类数据实例

demo_ajax.py

3.5 使用多线程实例

demo_thread.py

四、爬虫框架

4.1 Srcapy框架

• Scrapy是用纯Python实现一个为了爬取网站数据、提取结构性数据而编写的应用框架，用途非常广泛。

• Scrapy 使用了 Twisted['twɪstɪd](其主要对手是Tornado)异步网络框架来处理网络通讯，可以加快我们的下载速度，不用自己去实现异步框架，并且包含了各种中间件接口，可以灵活的完成各种需求。

4.2 Scrapy架构图

4.3 Scrapy主要组件

• Scrapy Engine(引擎): 负责Spider、ItemPipeline、Downloader、Scheduler中间的通讯，信号、数据传递等。

• Scheduler(调度器): 它负责接受引擎发送过来的Request请求，并按照一定的方式进行整理排列，入队，当引擎需要时，交还给引擎。

• Downloader（下载器）：负责下载Scrapy Engine(引擎)发送的所有Requests请求，并将其获取到的Responses交还给Scrapy Engine(引擎)，由引擎交给Spider来处理，

• Spider（爬虫）：它负责处理所有Responses,从中分析提取数据，获取Item字段需要的数据，并将需要跟进的URL提交给引擎，再次进入Scheduler(调度器)，

• Item Pipeline(管道)：它负责处理Spider中获取到的Item，并进行进行后期处理（详细分析、过滤、存储等）的地方.

• Downloader Middlewares（下载中间件）：你可以当作是一个可以自定义扩展下载功能的组件。

• Spider Middlewares（Spider中间件）：你可以理解为是一个可以自定扩展和操作引擎和Spider中间通信的功能组件（比如进入Spider的Responses;和从Spider出去的Requests）

4.4 Scrapy的运作流程

1. 引擎：Hi！Spider, 你要处理哪一个网站？

2. Spider：老大要我处理xxxx.com。

3. 引擎：你把第一个需要处理的URL给我吧。

4. Spider：给你，第一个URL是xxxxxxx.com。

5. 引擎：Hi！调度器，我这有request请求你帮我排序入队一下。

6. 调度器：好的，正在处理你等一下。

7. 引擎：Hi！调度器，把你处理好的request请求给我。

8. 调度器：给你，这是我处理好的request

9. 引擎：Hi！下载器，你按照老大的下载中间件的设置帮我下载一下这个request请求

10. 下载器：好的！给你，这是下载好的东西。（如果失败：sorry，这个request下载失败了。然后引擎告诉调度器，这个request下载失败了，你记录一下，我们待会儿再下载）

11. 引擎：Hi！Spider，这是下载好的东西，并且已经按照老大的下载中间件处理过了，你自己处理一下（注意！这儿responses默认是交给def parse()这个函数处理的）

12. Spider：（处理完毕数据之后对于需要跟进的URL），Hi！引擎，我这里有两个结果，这个是我需要跟进的URL，还有这个是我获取到的Item数据。

13. 引擎：Hi ！管道 我这儿有个item你帮我处理一下！调度器！这是需要跟进URL你帮我处理下。然后从第四步开始循环，直到获取完老大需要全部信息。

14. 管道``调度器：好的，现在就做！

4.5 制作Scrapy爬虫4步曲

五、常用工具

5.1 fidder

fidder是一款抓包工具，主要用于手机抓包。

5.2 XPath Helper

xpath helper插件是一款免费的chrome爬虫网页解析工具。可以帮助用户解决在获取xpath路径时无法正常定位等问题。

谷歌浏览器插件xpath helper 的安装和使用：

https://jingyan.baidu.com/article/1e5468f94694ac484861b77d.html

六、分布式爬虫

6.1 scrapy-redis

Scrapy-redis是为了更方便地实现Scrapy分布式爬取，而提供了一些以redis为基础的组件（pip install scrapy-redis）

github网站：https://github.com/rolando/scrapy-redis

6.2 分布式策略

• Master端(核心服务器) ：搭建一个Redis数据库，不负责爬取，只负责url指纹判重、Request的分配，以及数据的存储

• Slaver端(爬虫程序执行端) ：负责执行爬虫程序，运行过程中提交新的Request给Master

 来自：干货 | 十分钟带你从入门到进阶python爬虫十分钟带你了解python爬虫从入门到进阶。本文从爬虫基本概念到常用模块，从方法实例到常用工具，从爬虫框架到分布式爬虫都进行了引导式阐述与参透。https://mp.weixin.qq.com/s/mPZLjHSewZlCEn4EJgaCEA