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
  • 21 2019-03
    爬虫用Requests设置代理IP的方法

    使用python中的包请求网站时,需要设置代理IP使用,否则无法正常获取到信息,那么爬虫用Requests设置代理IP的方法是怎样的?

  • 08 2019-10
    开源代理服务器介绍:Tinyproxy篇

    之前机灵代理已经为大家介绍了4款的开源代理服务器,Tinyproxy是这个系列的最后一款,下面让我们一起看看它的功能。这样大家日后要选择代理服务器的时候,就可以通过这个系列的文章,找

  • 22 2019-05
    IP被封最快的破解方法是用代理IP

    IP被封最快的破解方法是用代理IP,如果等平台把你被封的IP进行解封,最快也要几个小时,或者24小时,或者几天,甚至于更久,这样你就无法在短期内进行使用了。因此,IP被封最快的破解方

  • 03 2020-02
    不同的代理ip有什么区别

    代理IP的种类划分有很多,可以按照成本、匿名程度、用途来进行区分。不同的区分又有什么不同呢?

  • 09 2019-12
    动态、静态IP与代理IP的介绍

    无论是个人品牌还是企业品牌,都需要通过网络营销来获得更多的流量关注,我们可以通过不同的渠道来获得用户。那么,很多人在用到的代理IP是什么呢?

  • 04 2020-02
    哪些行业需要HTTP代理IP

    HTTP代理IP相信大家已经都不陌生了,它在很多人的工作中是非常重要的存在。只有了解了对手、客户的想法,才能让自己的工作更加明确。

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