爬虫基础

0x1、基础框架原理

1.1、爬虫基础

爬虫程序主要原理就是模拟浏览器发送请求->下载网页代码->只提取有用的数据->存放于数据库或文件中

1.1、基础原理

• 1、发起HTTP请求
• 2、获取响应内容
• 3、解析内容

    解析html数据
    解析json数据
    解析二进制数据

4、保存数据（数据库、文件）

1.2、发起HTTP请求-Request

• 1、HTTP请求方法：

    常用的请求方法：GET，POST
    其他请求方法：HEAD，PUT，DELETE，OPTHONS

• 2、请求URL

Web上每种可用的资源，如 HTML文档、图像、视频片段、程序等都由一个通用资源标志符(Universal Resource Identifier， URI)进行定位。

URI通常由三部分组成：

    ①访问资源的命名机制；
    
    ②存放资源的主机名；
    
    ③资源自身 的名称，由路径表示。

如下面的URI：

    http://www.why.com.cn/myhtml/html1223/

我们可以这样解释它：

①这是一个可以通过HTTP协议访问的资源，

②位于主机 www.webmonkey.com.cn上，

③通过路径“/html/html40”访问。

• 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 : 主机头
    cookies：cookie用来保存登录信息

• 4、请求体

    get方式，请求体没有内容
    post方式，请求体是format data

1.3、获取响应内容-Response

• 1、响应状态

    200：代表成功
    301：代表跳转
    404：文件不存在
    403：权限
    502：服务器错误

• 2、Respone header

  set-cookie：告诉浏览器，把cookie保存下来

• 3、preview就是网页源代码

最主要的部分，包含了请求资源的内容如网页html，图片、二进制数据等

1.4、练手库-Urllib

下载页面

三行代码下载一个页面

import urllib.request

response = urllib.request.urlopen('https://www.wikipedia.org')

print(response.read())

变量html包含html格式的网页数据。

模拟Web浏览器

Web浏览器把浏览器名称、版本与请求一起发送，这称为用户代理。Python可以使用下面的代码模仿这种方式。User-Agent字符串包含Web浏览器的名称和版本号：

import urllib.request
 
headers = {}
headers['User-Agent'] = "Mozilla/5.0 (X11; Ubuntu; Linux i686; rv:48.0) Gecko/20100101 Firefox/48.0"
 
req = urllib.request.Request('https://arstechnica.com', headers = headers)
html = urllib.request.urlopen(req)
print(html.read())

提交数据-GET

与GET请求一起传递的参数是通过附加到URL末尾的查询字符串完成的，因此添加参数不需要任何特殊函数或类，需要做的事情就是确保查询字符串正确编码和格式化。

创建包含在查询字符串中的键值对，可以创建一个字典对象，然后使用urllib.parse模块中包含的urllib的urlencode（）函数对该对象进行编码和格式化。

import urllib.request   
import urllib.parse      
url = "http://example.com"   
params = {       
    "param1": "arg1",       
    "param2": "arg2",       
    "param3": "arg3"   
}      
query_string = urllib.parse.urlencode( params )      
url = url + "?" + query_string      
with urllib.request.urlopen( url ) as response:        
    response_text = response.read()        
    print( response_text )    

提交数据-POST

创建一个字典来存储POST参数的键值对，然后使用urlencode（）进行格式化。格式化字符串编码为字节并指定所需的字符编码 。然后使用urlopen（）正常打开请求，添加数据作为额外的参数，将请求类型更改为POST（默认为GET） ，其中3个参数会附加到请求正文

import urllib.request
import urllib.parse
url = "http://example.com"
params = {
    "param1": "arg1",
    "param2": "arg2",
    "param3": "arg3"
}
query_string = urllib.parse.urlencode( params )
data = query_string.encode("ascii")
with urllib.request.urlopen(url,data) as response:
    response_text = response.read()
    print(response_text)

遇到的问题-SSL需要验证

urllib.error.URLError: <urlopen error [SSL: CERTIFICATE_VERIFY_FAILED] certificate verify failed: Hostname mismatch, certificate is not valid for 'hao123.com'. (_ssl.c:1051)>

解决方案

import ssl
import urllib.request
context = ssl._create_unverified_context()
html = urllib.request.urlopen('https://hao123.com/', context=context)
print(html.read().decode('utf-8'))

爬虫基础

原文：https://www.cnblogs.com/17bdw/p/10735127.html