想成为Python高手,必须看这篇爬虫原理介绍!(附29个爬虫项目)
想成为Python⾼⼿，必须看这篇爬⾍原理介绍！（附29个爬⾍项⽬）
互联⽹是由⼀个个站点和⽹络设备组成的⼤⽹，我们通过浏览器访问站点，站点把HTML、JS、CSS代码返回给浏览器，这些代码经过浏览器解析、渲染，将丰富多彩的⽹页呈现我们眼前。
⼀、爬⾍是什么？
如果我们把互联⽹⽐作⼀张⼤的蜘蛛⽹，数据便是存放于蜘蛛⽹的各个节点，⽽爬⾍就是⼀只⼩蜘蛛，沿着⽹络抓取⾃⼰的猎物（数据）爬⾍指的是：向⽹站发起请求，获取资源后分析并提取有⽤数据的程序。
从技术层⾯来说就是 通过程序模拟浏览器请求站点的⾏为，把站点返回的HTML代码/JSON数据/⼆进制数据（图⽚、视频） 爬到本地，进⽽提取⾃⼰需要的数据，存放起来使⽤；
⼆、爬⾍的基本流程
私信⼩编001即可获取⼤量Python学习资源
⽤户获取⽹络数据的⽅式：
⽅式1：浏览器提交请求—>下载⽹页代码—>解析成页⾯
⽅式2：模拟浏览器发送请求(获取⽹页代码)->提取有⽤的数据->存放于数据库或⽂件中
爬⾍要做的就是⽅式2。
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
Request模块缺陷：不能执⾏JS 和CSS 代码
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（RE模块），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wb的⽅式写⼊⽂件
4、保存数据
数据库（MySQL，Mongdb、Redis）
⽂件
三、http协议请求与响应
**Request：**⽤户将⾃⼰的信息通过浏览器（socket client）发送给服务器（socket server）
**Response：**服务器接收请求，分析⽤户发来的请求信息，然后返回数据（返回的数据中可能包含其他链接，如：图⽚，js，css等）
**ps：**浏览器在接收Response后，会解析其内容来显⽰给⽤户，⽽爬⾍程序在模拟浏览器发送请求然后接收Response后，是要提取其中的有⽤数据。
四、 request
1、请求⽅式：
常见的请求⽅式：GET / POST
2、请求的URL
url全球统⼀资源定位符，⽤来定义互联⽹上⼀个唯⼀的资源 例如：⼀张图⽚、⼀个⽂件、⼀段视频都可以⽤url唯⼀确定
url编码
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
注意：⼀般做爬⾍都会加上请求头
[图⽚上传失败…(image-80a3c2-1629529258504)]
请求头需要注意的参数：
（1）Referrer：访问源⾄哪⾥来（⼀些⼤型⽹站，会通过Referrer 做防盗链策略；所有爬⾍也要注意模拟）
（2）User-Agent：访问的浏览器（要加上否则会被当成爬⾍程序）
（3）cookie：请求头注意携带
4、请求体
请求体如果是get⽅式，请求体没有内容（get请求的请求体放在 url后⾯参数中，直接能看到）如果是post⽅式，请求体是format dataps：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
五、响应Response
1、响应状态码
200：代表成功
301：代表跳转
404：⽂件不存在
403：⽆权限访问
502：服务器错误
2、respone header
响应头需要注意的参数：
（1）Set-Cookie:BDSVRTM=0; path=/：可能有多个，是来告诉浏览器，把cookie保存下来
（2）Content-Location：服务端响应头中包含Location返回浏览器之后，浏览器就会重新访问另⼀个页⾯
3、preview就是⽹页源代码
JSO数据
如⽹页html，图⽚
⼆进制数据等
如果⼤家对于学习python有任何问题（学习⽅法，学习效率，如何就业），可以随时来咨询我，这是我的：python教程⼊门学习（教程/解答/交流/学习⽅法/就业信息）都有分享的。
六、总结
1、总结爬⾍流程：
爬取—>解析—>存储
2、爬⾍所需⼯具：
**请求库：**requests,selenium（可以驱动浏览器解析渲染CSS和JS，但有性能劣势（有⽤没⽤的⽹页都会加载）；） **解析库：**正则，beautifulsoup，pyquery **存储库：**⽂件，MySQL，Mongodb，Redis
补充：29个Python爬⾍项⽬（所有链接指向GitHub）
WechatSogou [1]- 爬⾍。基于搜狗搜索的爬⾍接⼝，可以扩展成基于搜狗搜索的爬⾍，返回结果是列表，每⼀项均是具体信息字典。
DouBanSpider [2]- ⾖瓣读书爬⾍。可以爬下⾖瓣读书标签下的所有图书，按评分排名依次存储，存储到Excel中，可⽅便⼤家筛选搜罗，⽐如筛选评价⼈数>1000的⾼分书籍；可依据不同的主题存储到Excel不同的Sheet ，采⽤User Agent伪装为浏览器进⾏爬取，并加⼊随机延时来更好的模仿浏览器⾏为，避免爬⾍被封。
zhihu_spider [3]- 知乎爬⾍。此项⽬的功能是爬取知乎⽤户信息以及⼈际拓扑关系，爬⾍框架使⽤scrapy，数据存储使⽤mongo
bilibili-user [4]- Bilibili⽤户爬⾍。总数据数：20119918，抓取字段：⽤户id，昵称，性别，头像，等级，经验值，粉丝数，⽣⽇，地址，注册时间，签名，等级与经验值等。抓取之后⽣成B站⽤户数据报告。
SinaSpider [5]- 新浪微博爬⾍。主要爬取新浪微博⽤户的个⼈信息、微博信息、粉丝和关注。代码获取新浪微博Cookie进⾏登录，可通过多账号登录来防⽌新浪的反扒。主要使⽤ scrapy 爬⾍框架。
distribute_crawler [6]- ⼩说下载分布式爬⾍。使⽤scrapy,Redis, MongoDB,graphite实现的⼀个分布式⽹络爬⾍，底层存储MongoDB 集，分布式使⽤Redis实现，爬⾍状态显⽰使⽤graphite实现，主要针对⼀个⼩说站点。最后，如果你的时间不是很紧张，并且⼜想快速的提⾼，最重要的是不怕吃苦，建议你可以联系维：762459510 ，那个真的很不错，很多⼈进步都很快，需要你不怕吃苦哦！⼤家可
以去添加上看⼀下~
CnkiSpider [7]- 中国知⽹爬⾍。设置检索条件后，执⾏src/CnkiSpider.py抓取数据，抓取数据存储在/data⽬录下，每个数据⽂件的第⼀⾏为字段名称。
LianJiaSpider [8]- 链家⽹爬⾍。爬取北京地区链家历年⼆⼿房成交记录。涵盖链家爬⾍⼀⽂的全部代码，包括链家模拟登录代码。
scrapy_jingdong [9]- 京东爬⾍。基于scrapy的京东⽹站爬⾍，保存格式为csv。
QQ-Groups-Spider [10]- QQ 爬⾍。批量抓取 QQ 信息，包括名称、号、⼈数、主、简介等内容，最终⽣成 XLS(X) / CSV 结果⽂件。
wooyun_public[11]-乌云爬⾍。乌云公开漏洞、知识库爬⾍和搜索。全部公开漏洞的列表和每个漏洞的⽂本内容存在MongoDB中，⼤概约2G内容；如果整站爬全部⽂本和图⽚作为离线查询，⼤概需要10G空间、2⼩时（10M电信带宽）；爬取全部知识库，总共约500M空间。漏洞搜索使⽤了Flask作为web server，bootstrap作为前端。
spider[12]- hao123⽹站爬⾍。以hao123为⼊⼝页⾯，滚动爬取外链，收集⽹址，并记录⽹址上的内链和外链数⽬，记录title等信
息，windows7 32位上测试，⽬前每24个⼩时，可收集数据为10万左右。
findtrip [13]- 机票爬⾍（去哪⼉和携程⽹）。Findtrip是⼀个基于Scrapy的机票爬⾍，⽬前整合了国内两⼤机票⽹站（去哪⼉ + 携程）。
163spider [14] - 基于requests、MySQLdb、torndb的⽹易客户端内容爬⾍。
doubanspiders[15]- ⾖瓣电影、书籍、⼩组、相册、东西等爬⾍集 writen by Python
QQSpider [16]- QQ空间爬⾍，包括⽇志、说说、个⼈信息等，⼀天可抓取 400 万条数据。
baidu-music-spider [17]- 百度mp3全站爬⾍，使⽤redis⽀持断点续传。
tbcrawler[18]- 淘宝和天猫的爬⾍，可以根据搜索关键词，物品id来抓取页⾯的信息，数据存储在mongodb。
stockholm [19]- ⼀个股票数据（沪深）爬⾍和选股策略测试框架。根据选定的⽇期范围抓取所有沪深两市股票的⾏情数据。⽀持使⽤表达式定义选股策略。⽀持多线程处理。保存数据到JSON⽂件、CSV⽂件。最后，如果你的时间不是很紧张，并且⼜想快速的提⾼，最重要的是不怕吃苦，建议你可以联系维：762459510 ，那个真的很不错，很多⼈进步都很快，需要你不怕吃苦哦！⼤家可以去添加上看⼀下~
BaiduyunSpider[20]-百度云盘爬⾍。
Spider[21]-社交数据爬⾍。⽀持微博，知乎,⾖瓣。
proxy pool[22]-Python爬⾍代理IP池(proxy pool)。
music-163[23]-爬取⽹易云⾳乐所有歌曲的评论。
新浪微博登录不了
CnblogsSpider[24]-cnblogs列表页爬⾍。
spider_smooc[25]-爬取慕课⽹视频。
knowsecSpider2[26]-知道创宇爬⾍题⽬。
SinaSpider[27]-动态IP解决新浪的反爬⾍机制，快速抓取内容。
csdn-spider[28]-爬取CSDN上的博客⽂章。
ProxySpider[29]-爬取西刺上的代理IP，并验证代理可⽤性。

版权声明：本站内容均来自互联网，仅供演示用，请勿用于商业和其他非法用途。如果侵犯了您的权益请与我们联系QQ:729038198，我们将在24小时内删除。