您的位置:首页 > 新闻资讯 >文章内容
新手学习爬虫要注意哪些事项
来源:互联网 作者:admin 时间:2019-02-09 09:41:00

  爬虫虽然比较简单,但不同需求,所要使用的爬虫不同,对于一些难度大的项目,也是要用一些作用更高的爬虫,因为需要突破网站的各种限制,这样才能更好的完成采集任务。


  1、理解HTTP请求


  HTTP请求是基于TCP/IP协议的应用层协议,请求方法常用的有GET、HEAD、POST。默认的请求方式为GET。所以一开始我们接触爬虫的时候会写上一段这样子的代码:


  import requests


  resp = requests.get('http://www.baidu.com')


  其中就是使用了HTTP的GET请求。


  这样一个小小的请求在这里之所以看似简单,是因为在requests库的背后已经将很多细节都帮封装好了。


  GET用于信息获取,GET请求报文示例:


新手学习爬虫要注意哪些事项


  可以看到第一行已经包括了请求方法,请求路径,协议的版本。


  而其他行如Host、User-Agent、Connection等则表示请求时的一些条件:


  Host 表示请求的域名


  User-Agent 表示你所用的浏览器(这个在写爬虫时就可以伪造一番了)


  Connection 表示要保持连接状态,及TCP/IP协议的连接状态


  还有其他请求条件如Cookie,Referer等等这里不再一一列举,读者可自行百度。


  不仅有GET请求,还有POST也很常用到。


  POST请求一般用于提交数据较多,需要较强安全性的数据。使用场景一般是登陆,上传文件之类的操作。


  POST请求的请求头和GET类似的,唯一比较不一样的是数据提交方式,比如登陆时要提交邮箱和密码:


  GET请求的数据会附在URL之后,以?分割URL和传输数据,多个参数用&连接;例如:/login.php?email=123@qq.com&password=123


  POST请求把提交的数据放置在是HTTP包的包体中。邮箱和密码就是实际的传输数据被封装在请求体中,因此,GET提交的数据会在地址栏中显示出来,而POST提交,地址栏不会改变。


  使用POST的代码可以如下:


新手学习爬虫要注意哪些事项


  这样就把邮箱密码提交上去了。


  除了请求头,还有HTTP的响应头,响应头会包含一些服务器的时间,类型,还有相应内容的长度等等。主要被用到的还是响应头中的状态码。状态码有以下几种类型:


  2xx:成功--表示请求已被成功接收、理解、接受


  3xx:重定向--要完成请求必须进行更进一步的操作


  4xx:客户端错误--请求有语法错误或请求无法实现


  5xx:服务器端错误--服务器未能实现合法的请求


  常见状态代码、状态描述、说明:


新手学习爬虫要注意哪些事项


  这个状态码我们写程序的时候可以怎么利用呢?


新手学习爬虫要注意哪些事项


  这个状态码可以判断我们在程序的请求是否正常响应,方便程序排除错误。还有更多的响应信息,越是了解对写爬虫越是方便快捷。


  2、浏览器上所看见的页面基本上都是由js脚本处理过的数据,与程序所得到的数据有所偏差。


  在谷歌浏览器中,右键有个检查选项可以定位查看到当前的html代码,很多人认为这也是我们程序中看到的html代码。


  这也就导致了一些新手朋友在学习时常常碰壁,以为是自己的selector写错,其实主要原因还在于标题所述的那样,你所看到的代码一个被js处理过,另一个是服务器最初响应给我们的数据。


  所以,如果想查看网页的最初的响应数据,可以右键查看源代码,这个源代码也是没有被js加工处理过的,这时就可以利用这个源代码进行调试写selector了。


  3、如何巧用谷歌浏览器的开发者工具进行调试。


  谷歌的开发者工具不仅是适用开发人员,而且对我们写爬虫也非常有益处。


  按F12可以快速打开开发者工具,可以看到有Elements、Console、Sources、Network等等。


  其中Elements里面就是js加工处理过的代码,我们可以利用它来查找我们所要的标签中是否有价值的class或者id,如果有的话可以很快写出selector。


  Sources里存着网页中如js,css大大小小的文件等等。


  Network在抓取异步请求的数据时非常好用,Network中会包含很多异步请求,一般我们在刚打开的时候是空的,这时刷新一下就会看到很多请求,里面还可以看到请求头、响应头等的信息,非常方便。


相关文章内容简介
推荐阅读
  • 16 2019-07
    维护ip代理池的方法

    维护ip代理池的方法介绍!大家是都尝试过维护ip代理池,如果是自己搭建代理,或者是抓取免费ip的组建代理,就需要对ip代理池进行维护的。

  • 11 2019-06
    什么是api代理?

    什么是api代理?对于api,我相信知道的人不多,但是使用的人很多。其实日常生活中,我们有很多类似API的场景,比如:

  • 27 2020-07
    使用动态ip代理的好处

    动态IP使用相对比较多,根本原因是IP资源相对比较少,并且某些项目运用动态IP实际效果会更加得好,比如说做某些网站测试、网站功能搭建的情况下经常会需要使用某些动态代理IP工具,如此

  • 24 2020-09
    如何测试socks5代理IP

    很多朋友不知道socks5代理IP和HTTP代理IP有什么不同,其实它们不但使用的网络协议不一样,使用方式也不一样,HTTP代理IP可以通过浏览器设置代理进行测试,而socks5代理IP却不能直接通过浏览器

  • 11 2019-10
    代理IP爬取梨视频被封如何解决?

    在使用代理IP爬取的时候,IP被封了怎么解决?下面机灵代理为大家带来在爬取梨视频数据的案例来给大家梳理思路,主要步骤包括以下内容:

  • 05 2019-07
    IP被封后三种换IP的方法

    被封IP,这是很常见的事情了,关键是被封后如何解决问题呢?下面小编给大家介绍IP被封后三种换IP的方法。

在线咨询
大客户经理
大客户经理
1829380381
13316264505

大客户经理微信

微信公众号

微信公众号

回到顶部