一、初始爬虫
1.爬虫的相关概念
1.1 什么是爬虫
网络爬虫（又被称为网页蜘蛛，网络机器人）就是模拟浏览器发送网络请求，接收请求响应，一种按照一定的规则，自动地爬取互联网信息的程序。
原则上，只要是浏览器（客户端）能做的事情，爬虫都能够做。
1.2 如何获取爬虫程序
-
下载其他公司开发的通用爬虫（八爪鱼）
-
开发人员自己编写
1.3 区别
通用爬虫：可以提取大多数网站的数据，但是对于网站中某些特殊数据的提取范式没有实现
自定义爬虫：可以针对某一种网站自行开发符号要求的爬虫
1.4 开发语言
只要能够发送HTTP(S)请求的任何编程语言都是可以完成爬虫程序的，例如：C++、java、php、JavaScript等待，但是论爬虫开发效率一般都指的是python语言。
1.5 爬虫分类
根据抓取网站的数量不同，大致将爬虫分为两种：
- 通用爬虫：通常指搜索引擎的爬虫，例如：https://www.baidu.com
- 聚焦爬虫：针对特定网站的爬虫
2.爬虫流程
聚焦爬虫代码执行流程：
流程说明：
- 向起始地址发送请求，并获取响应
- 对响应结果进行数据提取
- 如果获取的数据是新的网站地址则继续发送请求并获取响应
- 如果获取的数据为页面需要的数据则完成数据保存
3.HTTP与HTTPS协议
目前大部分网站时基于HTTP与HTTPS进行网络交互的，在爬虫程序中也是发送网络协议来获取对应的网站信息，所以还是有必要了解网络协议。
3.1 HTTP与HTTPS相关概念
- HTTP
- 超文本传输协议
- 默认端口号：80
- HTTPS
- HTTP+SSL（安全套接字层），即带有安全套接字层的超文本传输协议
- 默认端口号：443
HTTPS比HTTP更安全，但是性能更低
HTTP协议的重要信息
我们想要给浏览器发送信息并显示，就必须要带上HTTP协议。HTTP协议中有一部分数据对爬虫程序来说非常重要。分别时请求头与响应头。
常见的请求头参数：
- Host（主机和端口号）
- Connection（链接类型）
- Upgrade-Insecure-Requests（升级为HTTPS请求）
- User-Agent（浏览器名称)
- Accept（传输文件类型）
- Referer（页面跳转处）
- Accept-Encoding（文件编解码格式）
- Cookie（Cookie信息）
- x-requested-with:XMLHttpRequest（表示该请求是Ajax异步请求）
响应头参数：
- Set-Cookie（对方服务器设置cookie到用户浏览器的缓存）
响应状态码：
- 200：成功
- 302：临时转移至新的url（一般会用GET，例如原本是POST则新的请求则是GET)
- 307：临时转移至新的url（原本是POST则新的请求依然是POST）
- 403：无请求权限
- 404：找不到该页面
- 500：服务器内部错误
- 503：服务不可用，一般是被反爬
3.2 浏览器发送HTTP请求过程
- 客户端发送网站域名到DNS服务器
- DNS服务器返回IP地址到客户端
- 客户端根据返回的IP地址访问网站后端服务器并请求网站资源
- 网站后端服务器返回对应页面资源
3.3 robots协议
网站通过Robots协议告诉搜索引擎哪些页面可以抓取，哪些页面不能抓取，但它仅仅是互联网中的约定而已，可以不用遵守。
3.4 谷歌浏览器插件
- XPath Helper
- Web Scraper
- Toggle JavaScript
- User-Agent Switcher for Chrome
- EditThisCookie
- SwitchSharp
插件下载地址：
- https://extfans.com/
- https://chrome.zzzmh.cn/#/index
3.5 请求测试软件
PostMan : https://www.postman.com/downloads
ApiPost : https://www.apipost.cn/download.html
4.编码
字符是各种文字和符号的总称，包括国家文字、标点符号、图形符号、数字等等。
字符集是多个字符的集合，字符集包括：ASCII、GB2312、Unicode等等。UTF-8是Unicode的实现方式之一。
Python3中的字符串：
- str: unicode的呈现
- bytes:字节类型，互联网上的数据都以二进制的方式传输的
str 与 bytes 类型的互相转换
- str 使用 encode 方法转换为 bytes
str_code='abc'
print(type(str_code))
byte_code=str_code.encode()
print(type(byte_code))- bytes 使用 decode 方法转换为str
byte_code=b'abc'
print(type(byte_code))
str_code=byte_code.decode()
print(type(str_code))注意：编码方式必须和解码方式一样，否则就会出现乱码问题。例如使用utf-8编码，那么就必须使用utf-8解码。