前言
简略来说互联网是由一个个站点和网络设备组成的大网，咱们通过浏览器拜访站点，站点把HTML、JS、CSS代码返回给浏览器，这些代码通过浏览器解析、渲染，将丰富多彩的网页出现咱们眼前；
一、爬虫是什么？
如果咱们把互联网比作一张大的蜘蛛网，数据便是寄存于蜘蛛网的各个节点，而爬虫就是一只小蜘蛛，
沿着网络抓取本人的猎物（数据）爬虫指的是：向网站发动申请，获取资源后剖析并提取有用数据的程序；
从技术层面来说就是 通过程序模仿浏览器申请站点的行为，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，进而提取本人须要的数据，寄存起来应用；
二、爬虫的根本流程：
用户获取网络数据的形式：
形式1：浏览器提交申请--->下载网页代码--->解析成页面
形式2：模仿浏览器发送申请(获取网页代码)->提取有用的数据->寄存于数据库或文件中
爬虫要做的就是形式2；
1、发动申请
应用http库向指标站点发动申请，即发送一个Request
Request蕴含：申请头、申请体等
Request模块缺点：不能执行JS 和CSS 代码
2、获取响应内容
如果服务器能失常响应，则会失去一个Response
Response蕴含：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），第三方解析库如Beautifulsoup，pyquery等
解析json数据：json模块
解析二进制数据:以wb的形式写入文件
4、保留数据
数据库（MySQL，Mongdb、Redis）
文件
三、http协定 申请与响应
Request：用户将本人的信息通过浏览器（socket client）发送给服务器（socket server）
Response：服务器接管申请，剖析用户发来的申请信息，而后返回数据（返回的数据中可能蕴含其余链接，如：图片，js，css等）
ps：浏览器在接管Response后，会解析其内容来显示给用户，而爬虫程序在模仿浏览器发送申请而后接管Response后，是要提取其中的有用数据。
四、 request
1、申请形式：
常见的申请形式：GET / POST
2、申请的URL
url寰球对立资源定位符，用来定义互联网上一个惟一的资源 例如：一张图片、一个文件、一段视频都能够用url惟一确定
url编码
https://www.baidu.com/s?wd=图片
图片会被编码（看示例代码）
网页的加载过程是：
加载一个网页，通常都是先加载document文档，
在解析document文档的时候，遇到链接，则针对超链接发动下载图片的申请
3、申请头
User-agent：申请头中如果没有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用来保留登录信息
留神： 个别做爬虫都会加上申请头
申请头须要留神的参数：
（1）Referrer：拜访源至哪里来（一些大型网站，会通过Referrer 做防盗链策略；所有爬虫也要留神模仿）
（2）User-Agent:拜访的浏览器（要加上否则会被当成爬虫程序）
（3）cookie：申请头留神携带
4、申请体
申请体 如果是get形式，申请体没有内容 （get申请的申请体放在 url前面参数中，间接能看到） 如果是post形式，申请体是format data ps： 1、登录窗口，文件上传等，信息都会被附加到申请体内 2、登录，输出谬误的用户名明码，而后提交，就能够看到post，正确登录后页面通常会跳转，无奈捕捉到post五、 响应Response
1、响应状态码
200：代表胜利
301：代表跳转
404：文件不存在
403：无权限拜访
502：服务器谬误
2、respone header
响应头须要留神的参数：
（1）Set-Cookie:BDSVRTM=0; path=/：可能有多个，是来通知浏览器，把cookie保留下来
（2）Content-Location：服务端响应头中蕴含Location返回浏览器之后，浏览器就会从新拜访另一个页面
3、preview就是网页源代码
JSO数据
如网页html，图片
二进制数据等
六、总结
1、总结爬虫流程：
爬取--->解析--->存储
2、爬虫所需工具：
申请库：requests,selenium（能够驱动浏览器解析渲染CSS和JS，但有性能劣势（有用没用的网页都会加载）；）
解析库：正则，beautifulsoup，pyquery
存储库：文件，MySQL，Mongodb，Redis
3、爬获校花网
最初送给大家点福利吧
根底版：
import reimport requestsrespose\=requests.get('http://www.xiaohuar.com/v/')# print(respose.status\_code)# 响应的状态码# print(respose.content) #返回字节信息# print(respose.text) #返回文本内容urls=re.findall(r'class="items".\*?href="(.\*?)"',respose.text,re.S) #re.S 把文本信息转换成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)View Code
函数封装版
import reimport requestsimport hashlibimport time# respose=requests.get('http://www.xiaohuar.com/v/')# # print(respose.status\_code)# 响应的状态码# # print(respose.content) #返回字节信息# # print(respose.text) #返回文本内容# urls=re.findall(r'class="items".\*?href="(.\*?)"',respose.text,re.S) #re.S 把文本信息转换成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.textdef parse\_index(res): urls \= re.findall(r'class="items".\*?href="(.\*?)"', res,re.S) # re.S 把文本信息转换成1行匹配 return urlsdef 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()View Code
并发版（如果一共须要爬30个视频，开30个线程去做，花的工夫就是 其中最慢那份的耗时工夫）
import reimport requestsimport hashlibimport timefrom concurrent.futures import ThreadPoolExecutorp\=ThreadPoolExecutor(30) #创立1个程池中，包容线程个数为30个；def get\_index(url): respose \= requests.get(url) if respose.status\_code==200: return respose.textdef parse\_index(res): res\=res.result() #过程执行结束后，失去1个对象 urls = re.findall(r'class="items".\*?href="(.\*?)"', res,re.S) # re.S 把文本信息转换成1行匹配 for url in urls: p.submit(get\_detail(url)) #获取详情页 提交到线程池def get\_detail(url): #只下载1个视频 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、先把爬主页的工作（get\_index）异步提交到线程池 #2、get\_index工作执行完后，会通过回调函add\_done\_callback（）数告诉主线程，工作实现； #2、把get\_index执行后果（留神线程执行后果是对象，调用res=res.result()办法，能力获取真正执行后果），当做参数传给parse\_index #3、parse\_index工作执行结束后， #4、通过循环，再次把获取详情页 get\_detail（）工作提交到线程池执行if \_\_name\_\_ == '\_\_main\_\_': main()View Code
波及常识：多线程多过程
计算密集型工作：应用多过程，因为能Python有GIL，多过程能够利用上CPU多核优势；
IO密集型工作：应用多线程，做IO切换节俭工作执行工夫（并发）
线程池