一、在做爬虫之前我们首先需要知道爬虫是什么?
- 概念:一个可以自动抓取互联网上信息的脚本。
- 解决的问题:
- ①解决网站创立之初的冷启动问题;
- ②做搜索引擎少不了爬虫,爬虫是搜索引擎的根基。例如百度搜索引擎;
- ③建立知识图谱,帮助建立机器学习知识图谱;
- ④可以制作各种商品的比价软件,趋势分析;
二、爬虫工程师的升级之路
初入茅庐
- 1.web 前端的知识: HTML、CSS、JavaScrip、Ajax、jQuery、json 等;
- 2.正则表达式, 能提取正常一般网页中想要的信息, 知道什么是懒惰, 什么是贪婪型的正则;
- 3.会使用 XPath 等获取一些DOM 结构中的节点信息;
- 4.知道什么是深度优先, 广度优先的抓取算法, 及实践中的使用规则;
- 5.能分析简单网站的结构, 会使用urllib或requests 库进行简单的数据抓取。
小有成就
- 1.了解HASH,会简单地使用MD5,SHA1等算法对数据进行HASH一遍存储
- 2.熟悉HTTP,HTTPS协议的基础知识,了解GET,POST方法,了解HTTP头中的信息,包括返回状态码,编码,user-agent,cookie,session等
- 3.能设置user-agent进行数据爬取,设置代理等
- 4.知道什么是Request,什么是response,会使用Fiddler等工具抓取及分析简单地网络数据包;对于动态爬虫,要学会分析ajax请求,模拟制造post数据包请求,抓取客户端session等信息,对于一些简单的网站,能够通过模拟数据包进行自动登录。
- 5.对于一些难搞定的网站学会使用phantomjs+selenium抓取一些动态网页信息
- 6.并发下载,通过并行下载加速数据爬取;多线程的使用。
- 7.能使用一些开源框架scrapy,scrapy-redis等分布式爬虫,能部署掌控分布式爬虫进行大规模数据爬取。
大有所成
- 1、能够使用Tesseract,百度AI,HOG+SVM,CNN等库进行验证码识别。
- 2、能使用数据挖掘技术,分类算法等避免死链。
- 3、会使用常用的数据库进行数据存储,查询。比如mongoDB,redis;学习如何通过缓存避免重复下载的问题。
- 4、能够使用机器学习的技术动态调整爬虫的爬取策略,从而避免被禁IP封禁等。
三、百度搜索的实现大概原理
最大的爬虫就是搜索了,例如百度就是从各种网站抓取我们需要的信息,那么他大概是怎么弄实现的呢?
1.搜索引擎的工作流程
- 抓取网页: 通过搜索引擎将待爬取的url加入到通用爬虫的url队列中,进行网页内容的爬取
- 数据存储:将爬取下来的网页保存到本地,这个过程会有一定的去重操作,如果某个网页的内容大部分内容都会重复,搜索引擎可能不会保存
- 数据预处理: 提取文字,中文分词, 消除噪音(比如版权声明文字,导航条,广告等)
- 设置网站排名,为用户提供服务
2.搜索引擎的局限性
- 搜索引擎只能爬取原网页,但是页面90%内容都是无用的
- 搜索引擎不呢个满足不同行业,不同人的特定需求
- 通用搜索引擎只能爬取文字信息,不能对音频、图片等进行爬取
- 只能基于关键字查询,无法基于语义查询
四、robot协议
作为一个守法的公民,我们一定要遵守互联网的规则!因此我么需要遵守一个协议—robot协议! 网址后+robot.txt
- 定义:网络爬虫排除标准
- 作用:告诉搜索引擎哪里可以爬,哪里不可以爬
五、爬虫工程师必须掌握的HTTP协议
1.什么是http协议?
- http协议是一个超文本传输协议
- http协议是一个约束发布和接受html页面的规范
2.端口号
- http协议端口号:80
- https协议的端口号:443
3.http协议的特点
- http协议是一个应用层协议
- http协议是无状态、无连接的。
- 每次请求都是独立的。
- 客户端每次请求都不能记录请求状态,请求与请求之间相互独立,不能通信(cookie和session可以解决通信问题)。
4.url:统一资源定位符
5.http工作过程
(1)地址解析,将url解析出对应的内容
- host:服务器的IP地址或者域名
- port:服务器的端口(如果是走协议默认端口,缺省端口80)
- path:访问资源的路径
- query-string:参数,发送给http服务器的数据anchor:锚(跳转到网页的指定锚点位置)
(2)封装http请求数据包
(3)封装成TCP包,建立TCP连接(TCP的三次握手)
- 第一次握手:建立连接时,客户端发送syn包(syn=j)到服务器,并进入SYN_SEND状态,等待服务器确认; SYN:同步序列编号(Synchronize Sequence Numbers)
- 第二次握手:服务器收到syn包,必须确认客户的SYN(ack=j+1),同时自己也发送一个SYN包(syn=k),即SYN+ACK包,此时服务器进入SYN_RECV状态;
- 第三次握手:客户端收到服务器的SYN+ACK包,向服务器发送确认包ACK(ack=k+1),此包发送完毕,客户端和服务器进入ESTABLISHED状态,完成三次握手。
- 完成三次握手,客户端与服务器开始传送数据
(4)客户端发送请求
(5)服务器接收请求,发送响应
(6)服务器关闭tcp连接
6.浏览器输入一个url,为什么可以加载出一个页面?为什么在抓包的过程中请求了一个url,会出现很多的资源请求?
- 我们在浏览器输入一个url,客户端会发送这个url对应的一个请求到服务器获取内容
- 服务器收到这个请求,解析出对应内容,之后将内容封装到响应里发送到客户端
- 当客户端拿到这个html页面,会查看这个页面中是否有css、js、image等url,如果有,在分别进行请求,获取到这些资源。
- 客户端会通过html的语法,将获取到的所有内容完美的显示出来。
7.客户端请求
User-Agent:客户端请求标识。
Accept: (传输文件类型)允许传入的文件类型。
Referer :表明产生请求的网页来自于哪个URL,用户是从该Referer页面访问到当前请求的页面。
cookie (cookie):在做登录的时候需要封装这个头。
Content-Type (POST数据类型)
发送POST请求时,需要特别注意headers的一些属性:
Content-Length: 144: 是指发送的表单数据长度为144,也就是字符个数是144个。
X-Requested-With: XMLhttpRequest :表示Ajax异步请求。
8.服务响应
- 组成:状态行,响应头,空行,响应正文。
- 重要响应头:Content-Type:text/html;charset=UTF-8:告诉客户端,资源文件的类型,还有字符编码
- 常见的状态码:
|