什么是爬虫

Python爬虫（入门+进阶） DC学院

本节课程的内容是介绍什么是爬虫？爬虫有什么用？以及爬虫是如何实现的？从这三点来全面剖析爬虫这一工具。

爬虫的定义

网络爬虫（又被称为网页蜘蛛，网络机器人，在FOAF社区中间，更经常的称为网页追逐者），是一种按照一定的规则，自动地抓取万维网信息的程序或者脚本。

爬虫有什么用

市场分析：电商分析、商圈分析、一二级市场分析等

市场监控：电商、新闻、房源监控等

商机发现：招投标情报发现、客户资料发掘、企业客户发现等

• 有个从事电商行业的学员，每天都要在交易平台上逐条查看客户对产品的评论并做回访，工作量非常大。学完爬虫之后，他告诉我，他现在利用爬虫技术批量和自动化地获取客户评论和客户的基本信息，分析潜在客户并做回访，工作效率提高了很多，有更多的时间去享受生活。

icon

• 某司市场部的一位小姐姐，利用爬虫技术批量收集竞争对手的销售情况和产品信息，并与自己公司的产品和销售情况作比较。根据信息，做价格和销售渠道的调整，业绩提升了不少。

icon

• 有个学财务的学员告诉我『投资买股票不看上市公司的财务报告万万不可』，他学完爬虫之后爬取了3000+公司的财务报表并分析，挑选一个『潜力股』。还有的学员爬了北京市二手房交易的数据，来预测北京未来房价走势。

icon

Python就是一个能够帮你实现需求的工具，它更像是一把万能钥匙，决定用它来打开哪一扇门的，是你自己

认识网址的构成

一个网站的网址一般由域名+自己编写的页面所构成。我们在访问同一网站的网页时，域名一般是不会改变的，因此我们爬虫所需要解析的就是网站自己所编写的不同页面的入口url，只有解析出来各个页面的入口，我们才能开始我们的爬虫。

了解网页的两种加载方法

• 同步加载：改变网址上的某些参数会导致网页发生改变，例如：www.itjuzi.com/company?page=1（改变page=后面的数字，网页会发生改变）（现已变为异步加载，同步加载可查看豆瓣短评 https://book.douban.com/subject/1084336/comments）
• 异步加载：改变网址上的参数不会使网页发生改变，例如：www.lagou.com/gongsi/（翻页后网址不会发生变化）

认识网页源码的构成

在网页中右键点击查看网页源码，可以查看到网页的源代码信息。

源代码一般由三个部分组成，分别是：

• html：描述网页的内容结构
• css：描述网页的排版布局
• JavaScript：描述网页的事件处理，即鼠标或键盘在网页元素上的动作后的程序

这里给出了三者的扩展知识的链接，需要大家重点关注html的构成，然后稍微了解下css和JavaScript在网页构成中的作用即可。

查看网页请求

以chrome浏览器为例，在网页上点击鼠标右键，检查（或者直接F12），选择network，刷新页面，选择ALL下面的第一个链接，这样就可以看到网页的各种请求信息。

请求头（Request Headers）信息详解：

Accept: text/html,image/*(浏览器可以接收的类型)
Accept-Charset: ISO-8859-1(浏览器可以接收的编码类型)
Accept-Encoding: gzip,compress(浏览器可以接收压缩编码类型)
Accept-Language: en-us,zh-cn(浏览器可以接收的语言和国家类型)
Host: www.it315.org:80(浏览器请求的主机和端口)
If-Modified-Since: Tue, 11 Jul 2000 18:23:51 GMT(某个页面缓存时间)
Referer: http://www.it315.org/index.jsp(请求来自于哪个页面)
User-Agent: Mozilla/4.0 (compatible; MSIE 5.5; Windows NT 5.0)(浏览器相关信息)
Cookie：(浏览器暂存服务器发送的信息)
Connection: close(1.0)/Keep-Alive(1.1)(HTTP请求的版本的特点)
Date: Tue, 11 Jul 2000 18:23:51 GMT(请求网站的时间)

响应头（Response Headers）信息详解：

Location: http://www.it315.org/index.jsp(控制浏览器显示哪个页面)
Server:apache tomcat(服务器的类型)
Content-Encoding: gzip(服务器发送的压缩编码方式)
Content-Length: 80(服务器发送显示的字节码长度)
Content-Language: zh-cn(服务器发送内容的语言和国家名)
Content-Type: image/jpeg; charset=UTF-8(服务器发送内容的类型和编码类型)
Last-Modified: Tue, 11 Jul 2000 18:23:51 GMT(服务器最后一次修改的时间)
Refresh: 1;url=http://www.it315.org(控制浏览器1秒钟后转发URL所指向的页面)
Content-Disposition: attachment; filename=aaa.jpg(服务器控制浏览器发下载方式打开文件)
Transfer-Encoding: chunked(服务器分块传递数据到客户端） 
Set-Cookie:SS=Q0=5Lb_nQ; path=/search(服务器发送Cookie相关的信息)
Expires: -1(服务器控制浏览器不要缓存网页，默认是缓存)
Cache-Control: no-cache(服务器控制浏览器不要缓存网页)
Pragma: no-cache(服务器控制浏览器不要缓存网页)  
Connection: close/Keep-Alive(HTTP请求的版本的特点)  
Date: Tue, 11 Jul 2000 18:23:51 GMT(响应网站的时间)

理解网页请求过程

从浏览器输入网址、回车后，到用户看到网页内容，经过的步骤如下：

（1）dns解析，获取ip地址；

（2）建立TCP连接，3次握手；

（3）发送HTTP请求报文；

（4）服务器接收请求并作处理；

（5）服务器发送HTTP响应报文；

（6）断开TCP连接，4次握手。

这里需要大家回忆起计算机网络中学到的相关知识，主要是http请求的相关内容，重点了解下TCP三次握手的一个流程，阅读 网页http请求的整个过程，理解下网页的请求过程。

通用的网络爬虫框架

1.挑选种子URL；

2.将这些URL放入待抓取的URL队列；

3.取出待抓取的URL，下载并存储进已下载网页库中。此外，将这些URL放入待抓取URL队列，从而进入下一循环；

4.分析已抓取队列中的URL，并且将URL放入待抓取URL队列，从而进入下一循环。

扩展阅读

利用爬虫技术能做到哪些很酷很有趣很有用的事情？

有这么一句话在业界广泛流传：巧妇难为无米之炊，我们要做大数据分析，要做机器学习模型训练，没有海量的数据是无法完成的。这些数据都是哪来的？其中当然有一部分是企业收集整理好的，但更多的还是需要自己来收集。那么这个时候就需要爬虫登场了。因此，爬虫在这个信息爆炸的大数据时代是一项必不可少的技能。

阅读利用爬虫技术能做到哪些很酷很有趣很有用的事情？，看看爬虫还能干哪些你想不到的事情。