想成為Python高手，必須看這篇爬蟲(chóng)原理介紹?。ǜ?9個(gè)爬蟲(chóng)項目）

互聯(lián)網(wǎng)是由一個(gè)個(gè)站點(diǎn)和網(wǎng)絡(luò )設備組成的大網(wǎng)，我們通過(guò)瀏覽器訪(fǎng)問(wèn)站點(diǎn)，站點(diǎn)把HTML、JS、CSS代碼返回給瀏覽器，這些代碼經(jīng)過(guò)瀏覽器解析、渲染，將豐富多彩的網(wǎng)頁(yè)呈現我們眼前。

如果我們把互聯(lián)網(wǎng)比作一張大的蜘蛛網(wǎng)，數據便是存放于蜘蛛網(wǎng)的各個(gè)節點(diǎn)，而爬蟲(chóng)就是一只小蜘蛛，沿著(zhù)網(wǎng)絡(luò )抓取自己的獵物（數據）爬蟲(chóng)指的是：向網(wǎng)站發(fā)起請求，獲取資源后分析并提取有用數據的程序。

從技術(shù)層面來(lái)說(shuō)就是 通過(guò)程序模擬瀏覽器請求站點(diǎn)的行為，把站點(diǎn)返回的HTML代碼/JSON數據/二進(jìn)制數據（圖片、視頻） 爬到本地，進(jìn)而提取自己需要的數據，存放起來(lái)使用；

用戶(hù)獲取網(wǎng)絡(luò )數據的方式：

方式1：瀏覽器提交請求--->下載網(wǎng)頁(yè)代碼--->解析成頁(yè)面

方式2：模擬瀏覽器發(fā)送請求(獲取網(wǎng)頁(yè)代碼)->提取有用的數據->存放于數據庫或文件中

爬蟲(chóng)要做的就是方式2。

1、發(fā)起請求

使用http庫向目標站點(diǎn)發(fā)起請求，即發(fā)送一個(gè)Request

Request包含：請求頭、請求體等 

Request模塊缺陷：不能執行JS 和CSS 代碼

2、獲取響應內容

如果服務(wù)器能正常響應，則會(huì )得到一個(gè)Response

Response包含：html，json，圖片，視頻等

3、解析內容

解析html數據：正則表達式（RE模塊），第三方解析庫如Beautifulsoup，pyquery等

解析json數據：json模塊

解析二進(jìn)制數據:以wb的方式寫(xiě)入文件

4、保存數據

數據庫（MySQL，Mongdb、Redis）

文件

Request：用戶(hù)將自己的信息通過(guò)瀏覽器（socket client）發(fā)送給服務(wù)器（socket server）

Response：服務(wù)器接收請求，分析用戶(hù)發(fā)來(lái)的請求信息，然后返回數據（返回的數據中可能包含其他鏈接，如：圖片，js，css等）

ps：瀏覽器在接收Response后，會(huì )解析其內容來(lái)顯示給用戶(hù)，而爬蟲(chóng)程序在模擬瀏覽器發(fā)送請求然后接收Response后，是要提取其中的有用數據。

1、請求方式：

常見(jiàn)的請求方式：GET / POST

2、請求的URL

url全球統一資源定位符，用來(lái)定義互聯(lián)網(wǎng)上一個(gè)唯一的資源 例如：一張圖片、一個(gè)文件、一段視頻都可以用url唯一確定

url編碼

https://www.baidu.com/s?wd=圖片

圖片會(huì )被編碼（看示例代碼）

網(wǎng)頁(yè)的加載過(guò)程是：

加載一個(gè)網(wǎng)頁(yè)，通常都是先加載document文檔，

在解析document文檔的時(shí)候，遇到鏈接，則針對超鏈接發(fā)起下載圖片的請求

3、請求頭

User-agent：請求頭中如果沒(méi)有user-agent客戶(hù)端配置，服務(wù)端可能將你當做一個(gè)非法用戶(hù)host；

cookies：cookie用來(lái)保存登錄信息

注意：一般做爬蟲(chóng)都會(huì )加上請求頭

請求頭需要注意的參數：

（1）Referrer：訪(fǎng)問(wèn)源至哪里來(lái)（一些大型網(wǎng)站，會(huì )通過(guò)Referrer 做防盜鏈策略；所有爬蟲(chóng)也要注意模擬）

（2）User-Agent:訪(fǎng)問(wèn)的瀏覽器（要加上否則會(huì )被當成爬蟲(chóng)程序）

（3）cookie：請求頭注意攜帶

4、請求體

請求體
如果是get方式，請求體沒(méi)有內容 （get請求的請求體放在 url后面參數中，直接能看到）
如果是post方式，請求體是format data
ps：
1、登錄窗口，文件上傳等，信息都會(huì )被附加到請求體內
2、登錄，輸入錯誤的用戶(hù)名密碼，然后提交，就可以看到post，正確登錄后頁(yè)面通常會(huì )跳轉，無(wú)法捕捉到post

1、響應狀態(tài)碼

200：代表成功

301：代表跳轉

404：文件不存在

403：無(wú)權限訪(fǎng)問(wèn)

502：服務(wù)器錯誤

2、respone header

響應頭需要注意的參數：

（1）Set-Cookie:BDSVRTM=0; path=/：可能有多個(gè)，是來(lái)告訴瀏覽器，把cookie保存下來(lái)

（2）Content-Location：服務(wù)端響應頭中包含Location返回瀏覽器之后，瀏覽器就會(huì )重新訪(fǎng)問(wèn)另一個(gè)頁(yè)面

3、preview就是網(wǎng)頁(yè)源代碼

JSO數據

如網(wǎng)頁(yè)html，圖片

二進(jìn)制數據等 

1、總結爬蟲(chóng)流程：

 爬取--->解析--->存儲

2、爬蟲(chóng)所需工具：

 請求庫：requests,selenium（可以驅動(dòng)瀏覽器解析渲染CSS和JS，但有性能劣勢（有用沒(méi)用的網(wǎng)頁(yè)都會(huì )加載）；）
 解析庫：正則，beautifulsoup，pyquery
 存儲庫：文件，MySQL，Mongodb，Redis

補充：29個(gè)Python爬蟲(chóng)項目（所有鏈接指向GitHub）

WechatSogou [1]- 微信公眾號爬蟲(chóng)。基于搜狗微信搜索的微信公眾號爬蟲(chóng)接口，可以擴展成基于搜狗搜索的爬蟲(chóng)，返回結果是列表，每一項均是公眾號具體信息字典。

鏈接：https://github.com/Chyroc/WechatSogou

DouBanSpider [2]- 豆瓣讀書(shū)爬蟲(chóng)。可以爬下豆瓣讀書(shū)標簽下的所有圖書(shū)，按評分排名依次存儲，存儲到Excel中，可方便大家篩選搜羅，比如篩選評價(jià)人數>1000的高分書(shū)籍；可依據不同的主題存儲到Excel不同的Sheet ，采用User Agent偽裝為瀏覽器進(jìn)行爬取，并加入隨機延時(shí)來(lái)更好的模仿瀏覽器行為，避免爬蟲(chóng)被封。

鏈接：https://github.com/lanbing510/DouBanSpider

zhihu_spider [3]- 知乎爬蟲(chóng)。此項目的功能是爬取知乎用戶(hù)信息以及人際拓撲關(guān)系，爬蟲(chóng)框架使用scrapy，數據存儲使用mongo 

鏈接：https://github.com/LiuRoy/zhihu_spider

bilibili-user [4]- Bilibili用戶(hù)爬蟲(chóng)。總數據數：20119918，抓取字段：用戶(hù)id，昵稱(chēng)，性別，頭像，等級，經(jīng)驗值，粉絲數，生日，地址，注冊時(shí)間，簽名，等級與經(jīng)驗值等。抓取之后生成B站用戶(hù)數據報告。

鏈接：https://github.com/airingursb/bilibili-user

SinaSpider [5]- 新浪微博爬蟲(chóng)。主要爬取新浪微博用戶(hù)的個(gè)人信息、微博信息、粉絲和關(guān)注。代碼獲取新浪微博Cookie進(jìn)行登錄，可通過(guò)多賬號登錄來(lái)防止新浪的反扒。主要使用 scrapy 爬蟲(chóng)框架。

鏈接：https://github.com/LiuXingMing/SinaSpider

distribute_crawler [6]- 小說(shuō)下載分布式爬蟲(chóng)。使用scrapy,Redis, MongoDB,graphite實(shí)現的一個(gè)分布式網(wǎng)絡(luò )爬蟲(chóng),底層存儲MongoDB集群,分布式使用Redis實(shí)現,爬蟲(chóng)狀態(tài)顯示使用graphite實(shí)現，主要針對一個(gè)小說(shuō)站點(diǎn)。

鏈接：https://github.com/gnemoug/distribute_crawler

CnkiSpider [7]- 中國知網(wǎng)爬蟲(chóng)。設置檢索條件后，執行src/CnkiSpider.py抓取數據，抓取數據存儲在/data目錄下，每個(gè)數據文件的第一行為字段名稱(chēng)。

鏈接：https://github.com/yanzhou/CnkiSpider

LianJiaSpider [8]- 鏈家網(wǎng)爬蟲(chóng)。爬取北京地區鏈家歷年二手房成交記錄。涵蓋鏈家爬蟲(chóng)一文的全部代碼，包括鏈家模擬登錄代碼。

鏈接：https://github.com/yanzhou/CnkiSpider

scrapy_jingdong [9]- 京東爬蟲(chóng)。基于scrapy的京東網(wǎng)站爬蟲(chóng)，保存格式為csv。

鏈接：https://github.com/taizilongxu/scrapy_jingdong

QQ-Groups-Spider [10]- QQ 群爬蟲(chóng)。批量抓取 QQ 群信息，包括群名稱(chēng)、群號、群人數、群主、群簡(jiǎn)介等內容，最終生成 XLS(X) / CSV 結果文件。

鏈接：https://github.com/caspartse/QQ-Groups-Spider

wooyun_public[11]-烏云爬蟲(chóng)。烏云公開(kāi)漏洞、知識庫爬蟲(chóng)和搜索。全部公開(kāi)漏洞的列表和每個(gè)漏洞的文本內容存在MongoDB中，大概約2G內容；如果整站爬全部文本和圖片作為離線(xiàn)查詢(xún)，大概需要10G空間、2小時(shí)（10M電信帶寬）；爬取全部知識庫，總共約500M空間。漏洞搜索使用了Flask作為web server，bootstrap作為前端。

鏈接：https://github.com/hanc00l/wooyun_public

spider[12]- hao123網(wǎng)站爬蟲(chóng)。以hao123為入口頁(yè)面，滾動(dòng)爬取外鏈，收集****，并記錄****上的內鏈和外鏈數目，記錄title等信息，windows7 32位上測試，目前每24個(gè)小時(shí)，可收集數據為10萬(wàn)左右。

鏈接：https://github.com/hanc00l/wooyun_public

findtrip [13]- 機****爬蟲(chóng)（去哪兒和攜程網(wǎng)）。Findtrip是一個(gè)基于Scrapy的機****爬蟲(chóng)，目前整合了國內兩大機****網(wǎng)站（去哪兒 + 攜程）。

鏈接：https://github.com/hanc00l/wooyun_public

163spider [14] - 基于requests、MySQLdb、torndb的網(wǎng)易客戶(hù)端內容爬蟲(chóng)。

鏈接：https://github.com/leyle/163spider

doubanspiders[15]- 豆瓣電影、書(shū)籍、小組、相冊、東西等爬蟲(chóng)集 writen by Python  

鏈接：https://github.com/sdfzy/doubanspiders

QQSpider [16]- QQ空間爬蟲(chóng)，包括日志、說(shuō)說(shuō)、個(gè)人信息等，一天可抓取 400 萬(wàn)條數據。

鏈接：https://github.com/LiuXingMing/QQSpider

baidu-music-spider [17]- 百度mp3全站爬蟲(chóng)，使用redis支持斷點(diǎn)續傳。

鏈接：https://github.com/Shu-Ji/baidu-music-spider

tbcrawler[18]- 淘寶和天貓的爬蟲(chóng),可以根據搜索關(guān)鍵詞,物品id來(lái)抓去頁(yè)面的信息，數據存儲在mongodb。

鏈接：https://github.com/pakoo/tbcrawler

stockholm [19]- 一個(gè)股****數據（滬深）爬蟲(chóng)和選股策略測試框架。根據選定的日期范圍抓取所有滬深兩市股****的行情數據。支持使用表達式定義選股策略。支持多線(xiàn)程處理。保存數據到JSON文件、CSV文件。

鏈接：https://github.com/benitoro/stockholm

BaiduyunSpider[20]-百度云盤(pán)爬蟲(chóng)。

鏈接：https://github.com/k1995/BaiduyunSpider

Spider[21]-社交數據爬蟲(chóng)。支持微博,知乎,豆瓣。

鏈接：https://github.com/Qutan/Spider

proxy pool[22]-Python爬蟲(chóng)代理IP池(proxy pool)。

鏈接：https://github.com/Qutan/Spider

music-163[23]-爬取網(wǎng)易云音樂(lè )所有歌曲的評論。

鏈接：https://github.com/RitterHou/music-163

CnblogsSpider[24]-cnblogs列表頁(yè)爬蟲(chóng)。

鏈接：https://github.com/jackgitgz/CnblogsSpider

spider_smooc[25]-爬取慕課網(wǎng)視頻。

鏈接：https://github.com/jackgitgz/CnblogsSpider

knowsecSpider2[26]-知道創(chuàng )宇爬蟲(chóng)題目。

鏈接：https://github.com/littlethunder/knowsecSpider2

SinaSpider[27]-動(dòng)態(tài)IP解決新浪的反爬蟲(chóng)機制，快速抓取內容。

鏈接：https://github.com/szcf-weiya/SinaSpider

csdn-spider[28]-爬取CSDN上的博客文章。

鏈接：https://github.com/Kevinsss/csdn-spider

ProxySpider[29]-爬取西刺上的代理IP，并驗證代理可用性。

鏈接：https://github.com/changetjut/ProxySpider

來(lái)源：玩轉單片機