爬蟲(chóng)簡(jiǎn)單的來(lái)說(shuō)就是用程序獲取網(wǎng)絡(luò)上數(shù)據(jù)這個(gè)過(guò)程的一種名稱。

爬蟲(chóng)的原理

如果要獲取網(wǎng)絡(luò)上數(shù)據(jù)，我們要給爬蟲(chóng)一個(gè)網(wǎng)址（程序中通常叫URL），爬蟲(chóng)發(fā)送一個(gè)HTTP請(qǐng)求給目標(biāo)網(wǎng)頁(yè)的服務(wù)器，服務(wù)器返回?cái)?shù)據(jù)給客戶端（也就是我們的爬蟲(chóng)），爬蟲(chóng)再進(jìn)行數(shù)據(jù)解析、保存等一系列操作。

流程

爬蟲(chóng)可以節(jié)省我們的時(shí)間，比如我要獲取豆瓣電影 Top250 榜單，如果不用爬蟲(chóng)，我們要先在瀏覽器上輸入豆瓣電影的 URL ，客戶端（瀏覽器）通過(guò)解析查到豆瓣電影網(wǎng)頁(yè)的服務(wù)器的 IP 地址，然后與它建立連接，瀏覽器再創(chuàng)造一個(gè) HTTP 請(qǐng)求發(fā)送給豆瓣電影的服務(wù)器，服務(wù)器收到請(qǐng)求之后，把 Top250 榜單從數(shù)據(jù)庫(kù)中提出，封裝成一個(gè) HTTP 響應(yīng)，然后將響應(yīng)結(jié)果返回給瀏覽器，瀏覽器顯示響應(yīng)內(nèi)容，我們看到數(shù)據(jù)。我們的爬蟲(chóng)也是根據(jù)這個(gè)流程，只不過(guò)改成了代碼形式。

HTTP請(qǐng)求

HTTP 請(qǐng)求由請(qǐng)求行、請(qǐng)求頭、空行、請(qǐng)求體組成。

請(qǐng)求行由三部分組成：

1.請(qǐng)求方法，常見(jiàn)的請(qǐng)求方法有 GET、POST、PUT、DELETE、HEAD
2.客戶端要獲取的資源路徑
3.是客戶端使用的 HTTP 協(xié)議版本號(hào)
請(qǐng)求頭是客戶端向服務(wù)器發(fā)送請(qǐng)求的補(bǔ)充說(shuō)明，比如說(shuō)明訪問(wèn)者身份，這個(gè)下面會(huì)講到。

請(qǐng)求體是客戶端向服務(wù)器提交的數(shù)據(jù)，比如用戶登錄時(shí)需要提高的賬號(hào)密碼信息。請(qǐng)求頭與請(qǐng)求體之間用空行隔開(kāi)。請(qǐng)求體并不是所有的請(qǐng)求都有的，比如一般的GET都不會(huì)帶有請(qǐng)求體。

上圖就是瀏覽器登錄豆瓣時(shí)向服務(wù)器發(fā)送的HTTP POST 請(qǐng)求，請(qǐng)求體中指定了用戶名和密碼。

HTTP 響應(yīng)

HTTP 響應(yīng)格式與請(qǐng)求的格式很相似，也是由響應(yīng)行、響應(yīng)頭、空行、響應(yīng)體組成。

響應(yīng)行也包含三部分，分別是服務(wù)端的 HTTP 版本號(hào)、響應(yīng)狀態(tài)碼和狀態(tài)說(shuō)明。

這里狀態(tài)碼有一張表，對(duì)應(yīng)了各個(gè)狀態(tài)碼的意思

第二部分就是響應(yīng)頭，響應(yīng)頭與請(qǐng)求頭對(duì)應(yīng)，是服務(wù)器對(duì)該響應(yīng)的一些附加說(shuō)明，比如響應(yīng)內(nèi)容的格式是什么，響應(yīng)內(nèi)容的長(zhǎng)度有多少、什么時(shí)間返回給客戶端的、甚至還有一些 Cookie 信息也會(huì)放在響應(yīng)頭里面。

第三部分是響應(yīng)體，它才是真正的響應(yīng)數(shù)據(jù)，這些數(shù)據(jù)其實(shí)就是網(wǎng)頁(yè)的 HTML 源代碼。

爬蟲(chóng)代碼怎么寫(xiě)

爬蟲(chóng)可以用很多語(yǔ)言比如 Python、C++等等，但是我覺(jué)得Python是最簡(jiǎn)單的，

因?yàn)镻ython有現(xiàn)成可用的庫(kù)，已經(jīng)封裝到幾乎完美，

C++雖然也有現(xiàn)成的庫(kù)，但是它的爬蟲(chóng)還是比較小眾，僅有的庫(kù)也不足以算上簡(jiǎn)單，而且代碼在各個(gè)編譯器上，甚至同一個(gè)編譯器上不同版本的兼容性不強(qiáng)，所以不是特別好用。所以今天主要介紹python爬蟲(chóng)。

安裝requests庫(kù)

cmd運(yùn)行：pip install requests ，安裝 requests。

然后在 IDLE 或者編譯器（個(gè)人推薦 VS Code 或者 Pycharm ）上輸入

import requests 運(yùn)行，如果沒(méi)有報(bào)錯(cuò)，證明安裝成功。

安裝大部分庫(kù)的方法都是：pip install xxx（庫(kù)的名字）

requests的方法

最常用的get方法

r = requests.get(url)

包括兩個(gè)重要的對(duì)象：

構(gòu)造一個(gè)向服務(wù)器請(qǐng)求資源的Request對(duì)象；返回一個(gè)包含服務(wù)器資源的Response對(duì)象

爬蟲(chóng)小demo

requests是最基礎(chǔ)的爬蟲(chóng)庫(kù)，但是我們可以做一個(gè)簡(jiǎn)單的翻譯

我先把我做的一個(gè)爬蟲(chóng)的小項(xiàng)目的項(xiàng)目結(jié)構(gòu)放上，完整源碼可以私聊我下載。

下面是翻譯部分的源碼

import requests def English_Chinese(): 	url = "https://fanyi.baidu.com/sug" 	s = input("請(qǐng)輸入要翻譯的詞(中/英):") 	dat = { 		"kw":s 		} 	resp = requests.post(url,data = dat)# 發(fā)送post請(qǐng)求 	ch = resp.json() # 將服務(wù)器返回的內(nèi)容直接處理成json => dict 	resp.close() 	dic_lenth = len(ch['data']) 	for i in range(dic_lenth): 		print("詞:"+ch['data'][i]['k']+" "+"單詞意思:"+ch['data'][i]['v'])

代碼詳解：

導(dǎo)入requests模塊，設(shè)置 url為百度翻譯網(wǎng)頁(yè)的網(wǎng)址。

然后通過(guò) post 方法發(fā)送請(qǐng)求，再把返回的結(jié)果打成一個(gè) dic （字典），但是這個(gè)時(shí)候我們打印出來(lái)結(jié)果發(fā)現(xiàn)是這樣的。

這是一個(gè)字典里套列表套字典的樣子，大概就是這樣的

{ xx:xx , xx:[ {xx:xx} , {xx:xx} , {xx:xx} , {xx:xx} ] }

我標(biāo)紅的地方是我們需要的信息。

假如說(shuō)我標(biāo)藍(lán)色的列表里面有 n 個(gè)字典，我們可以通過(guò) len() 函數(shù)獲取 n 的數(shù)值，

并使用 for 循環(huán)遍歷，得到結(jié)果。

dic_lenth = len(ch['data'] for i in range(dic_lenth):     print("詞:"+ch['data'][i]['k']+" "+"單詞意思:"+ch['data'][i]['v'])

最后

好了，今天的分享就到這里了，拜拜~

哎？忘了一件事，再給你們一個(gè)爬取天氣的代碼！

# -*- coding:utf-8 -*- import requests import bs4   def get_web(url):     header = {"User-Agent": "Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/91.0.4472.114 Safari/537.36 Edg/91.0.864.59"}     res = requests.get(url, headers=header, timeout=5)     # print(res.encoding)     content = res.text.encode('ISO-8859-1')     return content   def parse_content(content):     soup = bs4.BeautifulSoup(content, 'lxml')      '''     存放天氣情況     '''     list_weather = []     weather_list = soup.find_all('p', class_='wea')     for i in weather_list:         list_weather.append(i.text)      '''     存放日期     '''     list_day = []     i = 0     day_list = soup.find_all('h1')     for each in day_list:         if i <= 6:             list_day.append(each.text.strip())             i += 1     # print(list_day)      '''     存放溫度：最高溫度和最低溫度     '''     tem_list = soup.find_all('p', class_='tem')     i = 0     list_tem = []     for each in tem_list:         if i == 0:             list_tem.append(each.i.text)             i += 1         elif i > 0:             list_tem.append([each.span.text, each.i.text])             i += 1     # print(list_tem)      '''     存放風(fēng)力     '''     list_wind = []     wind_list = soup.find_all('p', class_='win')     for each in wind_list:         list_wind.append(each.i.text.strip())     # print(list_wind)     return list_day, list_weather, list_tem, list_wind   def get_content(url):     content = get_web(url)     day, weather, tem, wind = parse_content(content)     item = 0     for i in range(0, 7):         if item == 0:             print(day[i]+':t')             print(weather[i]+'t')             print("今日氣溫："+tem[i]+'t')             print("風(fēng)力："+wind[i]+'t')             print('n')             item += 1         elif item > 0:             print(day[i]+':t')             print(weather[i] + 't')             print("最高氣溫："+tem[i][0]+'t')             print("最低氣溫："+tem[i][1] + 't')             print("風(fēng)力："+wind[i]+'t')             print('n')