前言
簡單來說互聯網是由一個個站點和網絡設備組成的大網，我們通過瀏覽器訪問站點，站點把HTML、JS、CSS代碼返回給瀏覽器，這些代碼經過瀏覽器解析、渲染，將豐富多彩的網頁呈現我們眼前；
一、爬蟲是什么？
如果我們把互聯網比作一張大的蜘蛛網，數據便是存放於蜘蛛網的各個節點，而爬蟲就是一只小蜘蛛，
沿着網絡抓取自己的獵物（數據）爬蟲指的是：向網站發起請求，獲取資源后分析並提取有用數據的程序；
從技術層面來說就是 通過程序模擬瀏覽器請求站點的行為，把站點返回的HTML代碼/JSON數據/二進制數據（圖片、視頻） 爬到本地，進而提取自己需要的數據，存放起來使用；
二、爬蟲的基本流程：
用戶獲取網絡數據的方式：
方式1：瀏覽器提交請求--->下載網頁代碼--->解析成頁面
方式2：模擬瀏覽器發送請求(獲取網頁代碼)->提取有用的數據->存放於數據庫或文件中
爬蟲要做的就是方式2；
1、發起請求
使用http庫向目標站點發起請求，即發送一個Request
Request包含：請求頭、請求體等
Request模塊缺陷：不能執行JS 和CSS 代碼
2、獲取響應內容
如果服務器能正常響應，則會得到一個Response
Response包含：html，json，圖片，視頻等
3、解析內容
解析html數據：正則表達式（RE模塊），第三方解析庫如Beautifulsoup，pyquery等
解析json數據：json模塊
解析二進制數據:以wb的方式寫入文件
4、保存數據
數據庫（MySQL，Mongdb、Redis）
文件
三、http協議 請求與響應
Request：用戶將自己的信息通過瀏覽器（socket client）發送給服務器（socket server）
Response：服務器接收請求，分析用戶發來的請求信息，然后返回數據（返回的數據中可能包含其他鏈接，如：圖片，js，css等）
ps：瀏覽器在接收Response后，會解析其內容來顯示給用戶，而爬蟲程序在模擬瀏覽器發送請求然后接收Response后，是要提取其中的有用數據。
四、 request
1、請求方式：
常見的請求方式：GET / POST
2、請求的URL
url全球統一資源定位符，用來定義互聯網上一個唯一的資源 例如：一張圖片、一個文件、一段視頻都可以用url唯一確定
url編碼
https://www.baidu.com/s?wd=圖片
圖片會被編碼（看示例代碼）
網頁的加載過程是：
加載一個網頁，通常都是先加載document文檔，
在解析document文檔的時候，遇到鏈接，則針對超鏈接發起下載圖片的請求
3、請求頭
User-agent：請求頭中如果沒有user-agent客戶端配置，服務端可能將你當做一個非法用戶host；
cookies：cookie用來保存登錄信息
注意： 一般做爬蟲都會加上請求頭
請求頭需要注意的參數：
（1）Referrer：訪問源至哪里來（一些大型網站，會通過Referrer 做防盜鏈策略；所有爬蟲也要注意模擬）
（2）User-Agent:訪問的瀏覽器（要加上否則會被當成爬蟲程序）
（3）cookie：請求頭注意攜帶
4、請求體
請求體
如果是get方式，請求體沒有內容 （get請求的請求體放在 url后面參數中，直接能看到）
如果是post方式，請求體是format data
ps：
1、登錄窗口，文件上傳等，信息都會被附加到請求體內
2、登錄，輸入錯誤的用戶名密碼，然后提交，就可以看到post，正確登錄后頁面通常會跳轉，無法捕捉到post
五、 響應Response
1、響應狀態碼
200：代表成功
301：代表跳轉
404：文件不存在
403：無權限訪問
502：服務器錯誤
2、respone header
響應頭需要注意的參數：
（1）Set-Cookie:BDSVRTM=0; path=/：可能有多個，是來告訴瀏覽器，把cookie保存下來
（2）Content-Location：服務端響應頭中包含Location返回瀏覽器之后，瀏覽器就會重新訪問另一個頁面
3、preview就是網頁源代碼
JSO數據
如網頁html，圖片
二進制數據等
六、總結
1、總結爬蟲流程：
爬取--->解析--->存儲
2、爬蟲所需工具：
請求庫：requests,selenium（可以驅動瀏覽器解析渲染CSS和JS，但有性能劣勢（有用沒用的網頁都會加載）；）
解析庫：正則，beautifulsoup，pyquery
存儲庫：文件，MySQL，Mongodb，Redis
3、爬獲校花網
最后送給大家點福利吧
基礎版：
import re import requests respose=requests.get('http://www.xiaohuar.com/v/') # print(respose.status_code)# 響應的狀態碼 # print(respose.content) #返回字節信息 # print(respose.text) #返回文本內容 urls=re.findall(r'class="items".*?href="(.*?)"',respose.text,re.S) #re.S 把文本信息轉換成1行匹配 url=urls[5] result=requests.get(url) mp4_url=re.findall(r'id="media".*?src="(.*?)"',result.text,re.S)[0] video=requests.get(mp4_url) with open('D:\\a.mp4','wb') as f: f.write(video.content)
函數封裝版
import re import requests import hashlib import time # respose=requests.get('http://www.xiaohuar.com/v/') # # print(respose.status_code)# 響應的狀態碼 # # print(respose.content) #返回字節信息 # # print(respose.text) #返回文本內容 # urls=re.findall(r'class="items".*?href="(.*?)"',respose.text,re.S) #re.S 把文本信息轉換成1行匹配 # url=urls[5] # result=requests.get(url) # mp4_url=re.findall(r'id="media".*?src="(.*?)"',result.text,re.S)[0] # # video=requests.get(mp4_url) # # with open('D:\\a.mp4','wb') as f: # f.write(video.content) # def get_index(url): respose = requests.get(url) if respose.status_code==200: return respose.text def parse_index(res): urls = re.findall(r'class="items".*?href="(.*?)"', res,re.S) # re.S 把文本信息轉換成1行匹配 return urls def get_detail(urls): for url in urls: if not url.startswith('http'): url='http://www.xiaohuar.com%s' %url result = requests.get(url) if result.status_code==200 : mp4_url_list = re.findall(r'id="media".*?src="(.*?)"', result.text, re.S) if mp4_url_list: mp4_url=mp4_url_list[0] print(mp4_url) # save(mp4_url) def save(url): video = requests.get(url) if video.status_code==200: m=hashlib.md5() m.updata(url.encode('utf-8')) m.updata(str(time.time()).encode('utf-8')) filename=r'%s.mp4'% m.hexdigest() filepath=r'D:\\%s'%filename with open(filepath, 'wb') as f: f.write(video.content) def main(): for i in range(5): res1 = get_index('http://www.xiaohuar.com/list-3-%s.html'% i ) res2 = parse_index(res1) get_detail(res2) if __name__ == '__main__': main()
並發版（如果一共需要爬30個視頻，開30個線程去做，花的時間就是 其中最慢那份的耗時時間）
import re import requests import hashlib import time from concurrent.futures import ThreadPoolExecutor p=ThreadPoolExecutor(30) #創建1個程池中，容納線程個數為30個； def get_index(url): respose = requests.get(url) if respose.status_code==200: return respose.text def parse_index(res): res=res.result() #進程執行完畢后，得到1個對象 urls = re.findall(r'class="items".*?href="(.*?)"', res,re.S) # re.S 把文本信息轉換成1行匹配 for url in urls: p.submit(get_detail(url)) #獲取詳情頁 提交到線程池 def get_detail(url): #只下載1個視頻 if not url.startswith('http'): url='http://www.xiaohuar.com%s' %url result = requests.get(url) if result.status_code==200 : mp4_url_list = re.findall(r'id="media".*?src="(.*?)"', result.text, re.S) if mp4_url_list: mp4_url=mp4_url_list[0] print(mp4_url) # save(mp4_url) def save(url): video = requests.get(url) if video.status_code==200: m=hashlib.md5() m.updata(url.encode('utf-8')) m.updata(str(time.time()).encode('utf-8')) filename=r'%s.mp4'% m.hexdigest() filepath=r'D:\\%s'%filename with open(filepath, 'wb') as f: f.write(video.content) def main(): for i in range(5): p.submit(get_index,'http://www.xiaohuar.com/list-3-%s.html'% i ).add_done_callback(parse_index) #1、先把爬主頁的任務（get_index）異步提交到線程池 #2、get_index任務執行完后，會通過回調函add_done_callback（）數通知主線程，任務完成； #2、把get_index執行結果（注意線程執行結果是對象，調用res=res.result()方法，才能獲取真正執行結果），當做參數傳給parse_index #3、parse_index任務執行完畢后， #4、通過循環，再次把獲取詳情頁 get_detail（）任務提交到線程池執行 if __name__ == '__main__': main()
涉及知識：多線程多進程
計算密集型任務：使用多進程，因為能Python有GIL，多進程可以利用上CPU多核優勢；
IO密集型任務：使用多線程，做IO切換節省任務執行時間（並發）
線程池
參考博客：
瞎驢http://www.cnblogs.com/linhaifeng/articles/7773496.html