互聯(lián)網(wǎng)是由一個個站點和網(wǎng)絡(luò)設(shè)備組成的大網(wǎng)，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(jīng)過瀏覽器解析、渲染，將豐富多彩的網(wǎng)頁呈現(xiàn)我們眼前。

如果我們把互聯(lián)網(wǎng)比作一張大的蜘蛛網(wǎng)，數(shù)據(jù)便是存放于蜘蛛網(wǎng)的各個節(jié)點，而爬蟲就是一只小蜘蛛，沿著網(wǎng)絡(luò)抓取自己的獵物（數(shù)據(jù)）爬蟲指的是：向網(wǎng)站發(fā)起請求，獲取資源后分析并提取有用數(shù)據(jù)的程序。

從技術(shù)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(shù)據(jù)/二進(jìn)制數(shù)據(jù)（圖片、視頻） 爬到本地，進(jìn)而提取自己需要的數(shù)據(jù)，存放起來使用；

用戶獲取網(wǎng)絡(luò)數(shù)據(jù)的方式：

方式1：瀏覽器提交請求--->下載網(wǎng)頁代碼--->解析成頁面

方式2：模擬瀏覽器發(fā)送請求(獲取網(wǎng)頁代碼)->提取有用的數(shù)據(jù)->存放于數(shù)據(jù)庫或文件中

爬蟲要做的就是方式2。

1、發(fā)起請求

使用http庫向目標(biāo)站點發(fā)起請求，即發(fā)送一個Request

Request包含：請求頭、請求體等 

Request模塊缺陷：不能執(zhí)行JS 和CSS 代碼

2、獲取響應(yīng)內(nèi)容

如果服務(wù)器能正常響應(yīng)，則會得到一個Response

Response包含：html，json，圖片，視頻等

3、解析內(nèi)容

解析html數(shù)據(jù)：正則表達(dá)式（RE模塊），第三方解析庫如Beautifulsoup，pyquery等

解析json數(shù)據(jù)：json模塊

解析二進(jìn)制數(shù)據(jù):以wb的方式寫入文件

4、保存數(shù)據(jù)

數(shù)據(jù)庫（MySQL，Mongdb、Redis）

文件

Request：用戶將自己的信息通過瀏覽器（socket client）發(fā)送給服務(wù)器（socket server）

Response：服務(wù)器接收請求，分析用戶發(fā)來的請求信息，然后返回數(shù)據(jù)（返回的數(shù)據(jù)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(nèi)容來顯示給用戶，而爬蟲程序在模擬瀏覽器發(fā)送請求然后接收Response后，是要提取其中的有用數(shù)據(jù)。

1、請求方式：

常見的請求方式：GET / POST

2、請求的URL

url全球統(tǒng)一資源定位符，用來定義互聯(lián)網(wǎng)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(wǎng)頁的加載過程是：

加載一個網(wǎng)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(fā)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(wù)端可能將你當(dāng)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(shù)：

（1）Referrer：訪問源至哪里來（一些大型網(wǎng)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(dāng)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(nèi)容 （get請求的請求體放在 url后面參數(shù)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(nèi)
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(zhuǎn)，無法捕捉到post

1、響應(yīng)狀態(tài)碼

200：代表成功

301：代表跳轉(zhuǎn)

404：文件不存在

403：無權(quán)限訪問

502：服務(wù)器錯誤

2、respone header

響應(yīng)頭需要注意的參數(shù)：

（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(wù)端響應(yīng)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(wǎng)頁源代碼

JSO數(shù)據(jù)

如網(wǎng)頁html，圖片

二進(jìn)制數(shù)據(jù)等 

1、總結(jié)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(qū)動瀏覽器解析渲染CSS和JS，但有性能劣勢（有用沒用的網(wǎng)頁都會加載）；）
 解析庫：正則，beautifulsoup，pyquery
 存儲庫：文件，MySQL，Mongodb，Redis

補(bǔ)充：29個Python爬蟲項目（所有鏈接指向GitHub）

WechatSogou [1]- 微信公眾號爬蟲。基于搜狗微信搜索的微信公眾號爬蟲接口，可以擴(kuò)展成基于搜狗搜索的爬蟲，返回結(jié)果是列表，每一項均是公眾號具體信息字典。

鏈接：https://github.com/Chyroc/WechatSogou

DouBanSpider [2]- 豆瓣讀書爬蟲。可以爬下豆瓣讀書標(biāo)簽下的所有圖書，按評分排名依次存儲，存儲到Excel中，可方便大家篩選搜羅，比如篩選評價人數(shù)>1000的高分書籍；可依據(jù)不同的主題存儲到Excel不同的Sheet ，采用User Agent偽裝為瀏覽器進(jìn)行爬取，并加入隨機(jī)延時來更好的模仿瀏覽器行為，避免爬蟲被封。

鏈接：https://github.com/lanbing510/DouBanSpider

zhihu_spider [3]- 知乎爬蟲。此項目的功能是爬取知乎用戶信息以及人際拓?fù)潢P(guān)系，爬蟲框架使用scrapy，數(shù)據(jù)存儲使用mongo 

鏈接：https://github.com/LiuRoy/zhihu_spider

bilibili-user [4]- Bilibili用戶爬蟲。總數(shù)據(jù)數(shù)：20119918，抓取字段：用戶id，昵稱，性別，頭像，等級，經(jīng)驗值，粉絲數(shù)，生日，地址，注冊時間，簽名，等級與經(jīng)驗值等。抓取之后生成B站用戶數(shù)據(jù)報告。

鏈接：https://github.com/airingursb/bilibili-user

SinaSpider [5]- 新浪微博爬蟲。主要爬取新浪微博用戶的個人信息、微博信息、粉絲和關(guān)注。代碼獲取新浪微博Cookie進(jìn)行登錄，可通過多賬號登錄來防止新浪的反扒。主要使用 scrapy 爬蟲框架。

鏈接：https://github.com/LiuXingMing/SinaSpider

distribute_crawler [6]- 小說下載分布式爬蟲。使用scrapy,Redis, MongoDB,graphite實現(xiàn)的一個分布式網(wǎng)絡(luò)爬蟲,底層存儲MongoDB集群,分布式使用Redis實現(xiàn),爬蟲狀態(tài)顯示使用graphite實現(xiàn)，主要針對一個小說站點。

鏈接：https://github.com/gnemoug/distribute_crawler

CnkiSpider [7]- 中國知網(wǎng)爬蟲。設(shè)置檢索條件后，執(zhí)行src/CnkiSpider.py抓取數(shù)據(jù)，抓取數(shù)據(jù)存儲在/data目錄下，每個數(shù)據(jù)文件的第一行為字段名稱。

鏈接：https://github.com/yanzhou/CnkiSpider

LianJiaSpider [8]- 鏈家網(wǎng)爬蟲。爬取北京地區(qū)鏈家歷年二手房成交記錄。涵蓋鏈家爬蟲一文的全部代碼，包括鏈家模擬登錄代碼。

鏈接：https://github.com/yanzhou/CnkiSpider

scrapy_jingdong [9]- 京東爬蟲。基于scrapy的京東網(wǎng)站爬蟲，保存格式為csv。

鏈接：https://github.com/taizilongxu/scrapy_jingdong

QQ-Groups-Spider [10]- QQ 群爬蟲。批量抓取 QQ 群信息，包括群名稱、群號、群人數(shù)、群主、群簡介等內(nèi)容，最終生成 XLS(X) / CSV 結(jié)果文件。

鏈接：https://github.com/caspartse/QQ-Groups-Spider

wooyun_public[11]-烏云爬蟲。烏云公開漏洞、知識庫爬蟲和搜索。全部公開漏洞的列表和每個漏洞的文本內(nèi)容存在MongoDB中，大概約2G內(nèi)容；如果整站爬全部文本和圖片作為離線查詢，大概需要10G空間、2小時（10M電信帶寬）；爬取全部知識庫，總共約500M空間。漏洞搜索使用了Flask作為web server，bootstrap作為前端。

鏈接：https://github.com/hanc00l/wooyun_public

spider[12]- hao123網(wǎng)站爬蟲。以hao123為入口頁面，滾動爬取外鏈，收集****，并記錄****上的內(nèi)鏈和外鏈數(shù)目，記錄title等信息，windows7 32位上測試，目前每24個小時，可收集數(shù)據(jù)為10萬左右。

鏈接：https://github.com/hanc00l/wooyun_public

findtrip [13]- 機(jī)****爬蟲（去哪兒和攜程網(wǎng)）。Findtrip是一個基于Scrapy的機(jī)****爬蟲，目前整合了國內(nèi)兩大機(jī)****網(wǎng)站（去哪兒 + 攜程）。

鏈接：https://github.com/hanc00l/wooyun_public

163spider [14] - 基于requests、MySQLdb、torndb的網(wǎng)易客戶端內(nèi)容爬蟲。

鏈接：https://github.com/leyle/163spider

doubanspiders[15]- 豆瓣電影、書籍、小組、相冊、東西等爬蟲集 writen by Python  

鏈接：https://github.com/sdfzy/doubanspiders

QQSpider [16]- QQ空間爬蟲，包括日志、說說、個人信息等，一天可抓取 400 萬條數(shù)據(jù)。

鏈接：https://github.com/LiuXingMing/QQSpider

baidu-music-spider [17]- 百度mp3全站爬蟲，使用redis支持?jǐn)帱c續(xù)傳。

鏈接：https://github.com/Shu-Ji/baidu-music-spider

tbcrawler[18]- 淘寶和天貓的爬蟲,可以根據(jù)搜索關(guān)鍵詞,物品id來抓去頁面的信息，數(shù)據(jù)存儲在mongodb。

鏈接：https://github.com/pakoo/tbcrawler

stockholm [19]- 一個股****數(shù)據(jù)（滬深）爬蟲和選股策略測試框架。根據(jù)選定的日期范圍抓取所有滬深兩市股****的行情數(shù)據(jù)。支持使用表達(dá)式定義選股策略。支持多線程處理。保存數(shù)據(jù)到JSON文件、CSV文件。

鏈接：https://github.com/benitoro/stockholm

BaiduyunSpider[20]-百度云盤爬蟲。

鏈接：https://github.com/k1995/BaiduyunSpider

Spider[21]-社交數(shù)據(jù)爬蟲。支持微博,知乎,豆瓣。

鏈接：https://github.com/Qutan/Spider

proxy pool[22]-Python爬蟲代理IP池(proxy pool)。

鏈接：https://github.com/Qutan/Spider

music-163[23]-爬取網(wǎng)易云音樂所有歌曲的評論。

鏈接：https://github.com/RitterHou/music-163

CnblogsSpider[24]-cnblogs列表頁爬蟲。

鏈接：https://github.com/jackgitgz/CnblogsSpider

spider_smooc[25]-爬取慕課網(wǎng)視頻。

鏈接：https://github.com/jackgitgz/CnblogsSpider

knowsecSpider2[26]-知道創(chuàng)宇爬蟲題目。

鏈接：https://github.com/littlethunder/knowsecSpider2

SinaSpider[27]-動態(tài)IP解決新浪的反爬蟲機(jī)制，快速抓取內(nèi)容。

鏈接：https://github.com/szcf-weiya/SinaSpider

csdn-spider[28]-爬取CSDN上的博客文章。

鏈接：https://github.com/Kevinsss/csdn-spider

ProxySpider[29]-爬取西刺上的代理IP，并驗證代理可用性。

鏈接：https://github.com/changetjut/ProxySpider

來源：玩轉(zhuǎn)單片機(jī)