@TOC

一、爬虫的基本概念

1.为什么要学习爬虫

如今，人工智能，大数据离我们越来越近，很多公司在开展相关的业务，但是人工智能和大数据中有一个东西非常重要，那就是数据，但是数据从哪里来呢？

首先我们来看下面这个例子：

这是微博的微指数的一个截图，他把在微博上的用户的微博和评论中的关键词语做了提取，然后进行了统计，然后根据统计结果得出某个词语的流行趋势，之后进行了简单的展示

类似微指数的网站还有很多，比如百度指数，阿里指数，360指数等等，这些网站有非常大的用户量，他们能够获取自己用户的数据进行统计和分析

那么对于一些中小型的公司，没有如此大的用户量的时候，他们该怎么办呢？

1.1 数据的来源

• 去第三方的公司购买数据(比如企查查)
• 去免费的数据网站下载数据(比如国家统计局)
• 通过爬虫爬取数据
• 人工收集数据(比如问卷调查)

在上面的来源中：人工的方式费时费力，免费的数据网站上的数据质量不佳，很多第三方的数据公司他们的数据来源往往也是爬虫获取的，所以获取数据最有效的途径就是通过爬虫爬取

1.2 爬取到的数据用途

通过前面的列子，能够总结出，爬虫获取的数据的用途：

• 进行在网页或者是app上进行展示
• 进行数据分析或者是机器学习相关的项目

2.什么是爬虫

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，自动地抓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

3. 爬虫的更多用途

• 12306抢票

• 网站上的投票

• 短信轰炸

二、爬虫的分类和爬虫的流程

1. 了解 爬虫分类
2. 记忆 爬虫流程
3. 了解 robots协议

1.爬虫的分类

在上一小结中，我们介绍爬虫爬取到的数据用途的时候，给大家举了两个例子，其实就是两种不同类型的爬虫

根据被爬网站的数量的不同，我们把爬虫分为：

• 通用爬虫 ：通常指搜索引擎的爬虫（https://www.baidu.com）

• 聚焦爬虫 ：针对特定网站的爬虫

2.爬虫的流程

请思考：如果自己要实现一个和百度新闻一样的网站需要怎么做？

爬虫的工作流程：

• 向起始url发送请求，并获取响应
• 对响应进行提取
• 如果提取url，则继续发送请求获取响应
• 如果提取数据，则将数据进行保存

3.robots协议

在百度搜索中，不能搜索到淘宝网中某一个具体的商品的详情页面，这就是robots协议在起作用

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一般约定

三、爬虫http和https

在发送请求，获取响应的过程中 就是发送http或https的请求，获取http或https的响应

1.http和https的概念

• 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本文传输协议
  • 默认端口号：443

HTTPS比HTTP更安全，但是性能更低

2.浏览器发送HTTP请求的过,

2.1 http请求的过程

1. 浏览器先向地址栏中的url发起请求，并获取相应

2. 在返回的响应内容（html）中，会带有css、js、图片等url地址，以及ajax代码，浏览器按照响应内容中的顺序依次发送其他的请求，并获取相应的响应

3. 浏览器每获取一个响应就对展示出的结果进行添加（加载），js，css等内容会修改页面的内容，js也可以重新发送请求，获取响应

4. 从获取第一个响应并在浏览器中展示，直到最终获取全部响应，并在展示的结果中添加内容或修改————这个过程叫做浏览器的渲染

2.2 注意:

但是在爬虫中，爬虫只会请求url地址，对应的拿到url地址对应的响应（该响应的内容可以是html，css，js，图片等）

浏览器渲染出来的页面和爬虫请求的页面很多时候并不一样

所以在爬虫中，需要以url地址对应的响应为准来进行数据的提取

3.HTTP请求的形式

这个图大家见过很多次，那么在浏览器headers中，点击view source来具体观察其中的请求行，请求头部和请求数据是什么样子的

4.HTTP常见请求头

1. Host (主机和端口号)
2. Connection (链接类型)
3. Upgrade-Insecure-Requests (升级为HTTPS请求)
4. User-Agent (浏览器名称)
5. Accept (传输文件类型)
6. Referer (页面跳转处)
7. Accept-Encoding（文件编解码格式）
8. Cookie （Cookie）
9. x-requested-with :XMLHttpRequest (表示该请求是Ajax异步请求)

5.响应状态码(status code)

常见的状态码：

• 200：成功
• 302：临时转移至新的url
• 307：临时转移至新的url
• 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

记忆 http请求头的形式：

  GET /item/503/1227315?fr=aladdin HTTP/1.1
  Host: www.baidu.com

记忆 http响应头的形式 :

  HTTP/1.1 200 OK
  Connection: keep-alive

了解 http响应状态码

  - 200：成功
  - 302：临时转移至新的url