爬虫類 - 爬虫類ノウハウ
インターネットは何ですか?何爬虫類ですか?
私たちは、インターネットを呼び出すと、ターゲットコンピュータのローカルプロセスへデータをダウンロードするには、ターゲットコンピュータにクライアントコンピュータの要求を送信しています。
アクセスネットワークデータへのユーザーは、次のとおりです。ブラウザが要求を提出する - ページに>パース/レンダリング - >ダウンロードページコードが。
クローラは何をする必要があります:アナログブラウザがリクエストを送信する - データベースやファイルに保存されている> - >のみ有用なデータを抽出する - >ダウンロードページコード
定義
、サイトへの要求を開始することが分析でき、プログラムの基本的な流れを抽出するために、インターネットブラウザをシミュレートするプログラムを書き込むことによって、インターネットへのデータを取得した後に有用なデータを爬虫類
"""
1、发起请求
使用http库向目标站点发起请求,即发送一个Request Request包含:请求头、请求体等
2、获取响应内容
如果服务器能正常响应,则会得到一个Response Response包含:html,json,图片,视频等
3、解析内容
解析html数据:正则表达式,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b的方式写入文件
4、保存数据
数据库 文件
"""
要求と応答
HTTPプロトコル:https://home.cnblogs.com/u/waller/
要求:サーバーにブラウザ(ソケットクライアント)によって送信され、ユーザー自身の情報(ソケットサーバ)
応答:サーバーがユーザーによって送信されたリクエスト情報を解析し、要求を受信し、(例えば、他のリンクを含んでいてもよい返されるデータ、:などの画像、JS、CSS)戻りデータ
PS:アナログクローラと、ブラウザは、その中に有用なデータを抽出するために、応答を受信する要求を送信しながら、応答を受信した後、ブラウザは、ユーザへの表示にその内容を解析します。
リクエスト
1.请求方式:
常用的请求方式:GET,POST
其他请求方式:HEAD,PUT,DELETE,OPTHONS
'''
post与get请求最终都会拼接成这种形式:k1=xxx&k2=yyy&k3=zzz
post请求的参数放在请求体内:
可用浏览器查看,存放于form data内
get请求的参数直接放在url后
'''
2.请求的url
url全称统一资源定位符,如一个网页文档,一张图片
一个视频等都可以用url唯一来确定
'''
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,则针对超链接发起下载图片的请求
'''
3、请求头
User-Agent:请求头中如果没有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用来保存登录信息
'''
一般做爬虫都会加上请求头
'''
4.请求体
如果是get方式,请求体没有内容
如果是post方式,请求体是format data
'''
ps:
1、登录窗口,文件上传等,信息都会被附加到请求体内
2、登录,输入错误的用户名密码,然后提交,就可以看到post,正确登录后页面通常会跳转,无法捕捉到post
'''
応答
1、响应状态
200:代表成功
301:代表跳转
404:文件不存在
403:权限
502:服务器错误
2、Respone header
set-cookie:可能有多个,是来告诉浏览器,把cookie保存下来
3、preview就是网页源代码
最主要的部分,包含了请求资源的内容
如网页html,图片
二进制数据等
爬虫類の分類
- 1一般的な爬虫類:データのページ全体を取得します
- 図2は、クローラ焦点を当てた:指定されたページ内のデータを取得します。
- 3匹のインクリメンタル爬虫類:最新の更新データのうち、クロールの更新プログラムのWebサイトデータのWebサイトを検出します
「アタック」と「防衛」
「アタック」:抗登るメカニズム
网站采用相关的技术手段或策略阻止爬虫程序对网站数据的爬取
- UA检测: 服务器通过对请求中的请求头里的UA的值,来判定请求载体的身份
# robots协议 (君子协议)
通常用在门户网站中,声明了哪些数据可爬,哪些数据不可爬
eg:
https://www.taobao.com/robots.txt
「防衛」:抗抗登るポリシー
让爬虫程序通过破解反爬机制获取数据
# ps: 网站不同策略不同,需要分析
一般使用到的头信息:
请求头
- User-Agent : 请求载体的身份标识
载体: 浏览器, 爬虫程序
- Connection : keep-alive | close
close : 当用爬虫请求成功后,这个请求对应的连接会立刻断开
响应头
- content-type : 数据响应方式, 服务器按对应方式响应数据
サプリメント
http协议: client与server进行数据交互的一种规定形式
https协议: 安全的http协议,在http基础之上加了一个安全层的操作(ssl加密)
- 对称秘钥加密:(不安全)
加密数据级密规则(私钥)发送到服务端破解
- 非对称秘钥加密:(效率低, 不安全:客户端拿到的公钥不一定是服务端的)
服务器端制定加密方式(公钥)和解密方式(私钥),客户端获取公钥加密数据再传输
- 证书秘钥加密:
公钥 -> 证书机构 -> 添加证书 -> 客户端 -> 加密数据 -> 服务端
PS:ちょうど爬虫類ツール、良くも悪くもありません