Urllib

1.什么是互联网爬虫？
如果我们把互联网比作一张大的蜘蛛网，那一台计算机上的数据便是蜘蛛网上的一个猎物，而爬虫程序就是一只小蜘蛛，沿着蜘蛛网抓取自己想要的数据.
解释1：通过一个程序，根据Url(http://www.taobao.com)进行爬取网页，获取有用信息
解释2：使用程序模拟浏览器，去向服务器发送请求，获取响应信息
2.爬虫核心?
1.爬取网页：爬取整个网页 包含了网页中所有得内容
2.解析数据：将网页中你得到的数据 进行解析
3.难点：爬虫和反爬虫之间的博弈
3.爬虫的用途？
● 数据分析/人工数据集
● 社交软件冷启动
● 舆情监控
● 竞争对手监控
4.爬虫分类？
通用爬虫：
实例
百度、360、google、sougou等搜索引擎‐‐‐伯乐在线
功能
访问网页‐>抓取数据‐>数据存储‐>数据处理‐>提供检索服务
robots协议
一个约定俗成的协议，添加robots.txt文件，来说明本网站哪些内容不可以被抓取，起不到限制作用
自己写的爬虫无需遵守
网站排名(SEO)
a. 根据pagerank算法值进行排名（参考个网站流量、点击率等指标）
b. 百度竞价排名
缺点
a. 抓取的数据大多是无用的
b. 不能根据用户的需求来精准获取数据
聚焦爬虫
功能
根据需求，实现爬虫程序，抓取需要的数据
设计思路
a. 确定要爬取的url
如何获取Url
b. 模拟浏览器通过http协议访问url，获取服务器返回的html代码
如何访问
c. 解析html字符串（根据一定规则提取需要的数据）
如何解析
5.反爬手段？

1. User‐Agent：
   User Agent中文名为用户代理，简称 UA，它是一个特殊字符串头，使得服务器能够识别客户使用的操作系统及版本、CPU 类型、浏览器及版本、浏览器渲染引擎、浏览器语言、浏览器插件等。
2. 代理IP
   西次代理
   快代理
   什么是高匿名、匿名和透明代理？它们有什么区别？
   1.使用透明代理，对方服务器可以知道你使用了代理，并且也知道你的真实IP。
   2.使用匿名代理，对方服务器可以知道你使用了代理，但不知道你的真实IP。
   3.使用高匿名代理，对方服务器不知道你使用了代理，更不知道你的真实IP。
3. 验证码访问
   打码平台
   云打码平台
   超级🦅
4. 动态加载网页 网站返回的是js数据 并不是网页的真实数据
   selenium驱动真实的浏览器发送请求
5. 数据加密
   分析js代码
   6.urllib库使用
   urllib.request.urlopen() 模拟浏览器向服务器发送请求
   response 服务器返回的数据
   response的数据类型是HttpResponse
   字节‐‐>字符串
   解码decode
   字符串‐‐>字节
   编码encode
   read() 字节形式读取二进制 扩展：rede(5)返回前几个字节
   readline() 读取一行
   readlines() 一行一行读取 直至结束
   getcode() 获取状态码
   geturl() 获取url
   getheaders() 获取headers
   urllib.request.urlretrieve()
   请求网页
   请求图片
   请求视频
   7.请求对象的定制
   UA介绍：User Agent中文名为用户代理，简称 UA，它是一个特殊字符串头，使得服务器能够识别客户使用的操作系统及版本、CPU 类型、浏览器及版本。浏览器内核、浏览器渲染引擎、浏览器语言、浏览器插件等
   语法：request = urllib.request.Request()
   8.编解码
   1.get请求方式：urllib.parse.quote（）
   eg：

import urllib.request
import urllib.parse
url = 'https://www.baidu.com/s?wd='
headers = {
	'User‐Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like
Gecko) Chrome/74.0.3729.169 Safari/537.36'
}
url = url + urllib.parse.quote('小野')

request = urllib.request.Request(url=url,headers=headers)

response = urllib.request.urlopen(request)

print(response.read().decode('utf‐8'))

2.get请求方式：urllib.parse.urlencode（）
eg:

import urllib.request
import urllib.parse
url = 'http://www.baidu.com/s?'
data = {
	'name':'小刚',
	'sex':'男',
}
data = urllib.parse.urlencode(data)
url = url + data
print(url)
headers = {
    'User‐Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like
Gecko) Chrome/74.0.3729.169 Safari/537.36'
}

request = urllib.request.Request(url=url,headers=headers)
response = urllib.request.urlopen(request)
print(response.read().decode('utf‐8'))

3.post请求方式
eg:百度翻译

import urllib.request
import urllib.parse
url = 'https://fanyi.baidu.com/sug'
headers = {
	'user‐agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like
Gecko) Chrome/74.0.3729.169 Safari/537.36'
}
keyword = input('请输入您要查询的单词')
data = {
	'kw':keyword
}
data = urllib.parse.urlencode(data).encode('utf‐8')
request = urllib.request.Request(url=url,headers=headers,data=data)
response = urllib.request.urlopen(request)
print(response.read().decode('utf‐8'))

总结：post和get区别？
1：get请求方式的参数必须编码，参数是拼接到url后面，编码之后不需要调用encode方法
2：post请求方式的参数必须编码，参数是放在请求对象定制的方法中，编码之后需要调用encode方法
9.ajax的get请求

案例：豆瓣电影

# 爬取豆瓣电影前10页数据


# 下载前10页数据
# 下载的步骤：1.请求对象的定制 2.获取响应的数据 3.下载
# 每执行一次返回一个request对象
def create_request(page):
	base_url = 'https://movie.douban.com/j/chart/top_list?type=20&interval_id=100%3A90&action=&'
	headers = {
		'User‐Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML,
like Gecko) Chrome/76.0.3809.100 Safari/537.36'
	}
	data={
		# 1 2 3 4
		# 0 20 40 60
		'start':(page‐1)*20,
		'limit':20
	}
	# data编码
	data = urllib.parse.urlencode(data)
	url = base_url + data
	request = urllib.request.Request(url=url,headers=headers)
	return request

获取网页源码

def get_content(request):
	response = urllib.request.urlopen(request)
	content = response.read().decode('utf‐8')
	return content

def down_load(page,content):
	# with open（文件的名字，模式，编码）as fp:
	# fp.write(内容)
	with open('douban_'+str(page)+'.json','w',encoding='utf‐8')as fp:
	fp.write(content)

if __name__ == '__main__':
	start_page = int(input('请输入起始页码'))
	end_page = int(input('请输入结束页码'))
	for page in range(start_page,end_page+1):
		request = create_request(page)
		content = get_content(request)
		down_load(page,content)