爬虫预备知识
- 一、计算机网络协议基础
- 二、Html、Css、Javascript
-
- Ajax 异步加载
- GET请求 与 POST请求
- 3种content-type
- 三、爬虫基本方法
-
- 1. 采集方案分类
- 2. requests库
- 3. 正则表达式
- 4. beautifulsoup用法
- 5. xpath基本语法
- 6. css选择器提取元素
一、计算机网络协议基础
一个完整的网络请求过程如下：
在浏览器输入域名后，浏览器先访问DNS服务器，DNS返回ip给浏览器，然后浏览器与web服务器建立TCP连接，浏览器就可以发送http请求，web服务器返回数据到浏览器，接下来就是浏览器解析内容的步骤。
七层网络协议：
- 应用层
Http、ftp、pop3、DNS - 表示层
- 会话层
- 传输层
TCP、UDP - 网络层
ICMP、IP、IDMP - 数据链路层
ARP、RARP - 物理层 物理传输介质
二、Html、Css、Javascript
网页三要素：Html、Css、Javascript
Html是承载网页内容的骨骼；
Css是网页的样式；
Javascript是网页运行的脚本；
我们需要爬虫的内容一般为网页的部分HTML的内容，所以说可见即可得，只要在页面上看得到的我们就可以爬到。
浏览器的加载过程：
构建DOM树—子资源加载（加载外部的css、js、图片等外部资源）—样式渲染（css执行）
查找页面元素一般通过DOM树来查找：
Ajax 异步加载
有的数据是通过js向服务器发送请求，返回数据将数据通过js动态插入到页面的，这种方式不会刷新页面，用户体验效果好。
ajax返回的数据又可能是json格式，也可以是html页面部分。
动态网页和静态网页：
动态：数据是与后台有交互的，可以变的（ajax）
静态：数据不可变的（如果要变需要修改源代码）
动态网页体验好，局部加载，对服务器好，扩展性好
静态网页有利于SEO
GET请求 与 POST请求
GET参数包含在URL中，POST通过request body 传递参数。
- GET在浏览器回退时是无害的，而POST会再次提交请求
- GET请求只能进行url编码，而POST支持多种编码方式
- GET请求在URL中传送的参数是有长度限制的，而POST没有
- GET比POST更不安全，因为参数直接暴露在URL上，所以不能传递敏感信息
3种content-type
-
application/x-www-form-urlencoded
POST提交数据，浏览器原生form表单，如果不设置enctype属性，那么最终就会以application/x-www-form-urlencoded方式提交数据。提交的数据按照key1=val1&key2=val2的方式进行编码，key和val都进行了URL转码。 -
multipart/form-data
表单上传文件。 -
application/json
告诉服务器消息主体是序列化后的JSON字符串。
三、爬虫基本方法
1. 采集方案分类
一般我们采集网站只采集需要的指定的数据，采集方案分类：
- 利用http协议采集 - 页面分析
- 利用api接口采集 - app数据采集
- 利用目标网站的api采集 - 微博、github
2. requests库
官方文档地址：https://requests.readthedocs.io/zh_CN/latest/
安装：
pip install requests
如果使用了虚拟环境，请确保在虚拟环境再安装一遍，保证使用了虚拟环境的项目正常运行
初探，爬一下百度页面：
import requests
res = requests.get("http://www.baidu.com")
print(res.text)
百度页面的html代码就打印出来了：
后面具体项目再详细介绍具体用法。
3. 正则表达式
4. beautifulsoup用法
5. xpath基本语法
6. css选择器提取元素
本文地址：https://blog.csdn.net/zy1281539626/article/details/111144236
