学习爬虫前需要了解哪些基础知识

一、字符串知识点：

bytes：二进制（互联网上数据都是以二进制的方式传输的）

str：unicode编码的呈现形式，常用的实现方式是UTF-8

str转换为bytes的方法：encode（）

bytes转换为str的方法：decode()

二、HTTP与HTTps知识点:

HTTP：超文本传输协议，默认端口号80，性能更好

HTTPS：HTTP+SSL（安全套接字层），默认端口号443，安全性更好

三、爬虫的概念与流程：

爬虫是模拟浏览器发送请求，获取响应

url-->发送请求-->获取响应-->提取url-->提取数据-->保存

四、url的形式：

scheme：协议（http，https，ftp）

host：服务器的IP地址或者域名（www.baidu.com）

port：服务器的端口（80或者443）

path：访问资源的路径，百度搜索爬虫（/s?wd=爬虫&rsv_spt=1&rsv_iqid=0x8d278b16000116e5&issp=1&f=8&rsv_bp=0&rsv_idx=2&ie=utf-8&tn=baiduhome_pg&rsv_enter=1&rsv_sug3=9&rsv_sug1=8&rsv_sug7=100&rsv_sug2=0&inputT=1138&rsv_sug4=2397）

query-string：参数，发送给http服务器的数据

anchor：锚（跳转到网页的指定锚点位置）

完整的url例子：

https://www.baidu.com/s?wd=爬虫&rsv_spt=1&rsv_iqid=0x8d278b16000116e5&issp=1&f=8&rsv_bp=0&rsv_idx=2&ie=utf-8&tn=baiduhome_pg&rsv_enter=1&rsv_sug3=9&rsv_sug1=8&rsv_sug7=100&rsv_sug2=0&inputT=1138&rsv_sug4=2397

五、HTTP请求头：

打开F12，点击Network，在ALL列表找到访问的Host，查看request-Headers。

Host：主机和端口号

connection：链接类型

Upgrade-Insecure-Requests：一般为1，升级为HTTPS请求

User-Agent：浏览器名称，需要模拟这个

Accept：多个传输文件类型

Accept-Encoding：文件编解码格式

Accept-Language：支持的语言类型

六、响应状态码：

200：成功

302or307：临时转移至新的url

404：相应失败

500：服务器内部错误

七、爬虫基础知识点

1、爬虫是什么：

抓取网页数据的程序。

2、爬虫怎么抓取网页数据:

网页都有自己唯一的URL（统一资源定位符）来进行定位。

网页都是用HTML（超文本标记语言）来描述页面信息。

网页都是使用HTTP/HTTPS（超文本传输协议）协议来传输HTML数据。

①、首先确定需要爬取的网页URL地址。

②、通过HTTP/HTTPS协议来获取对应的HTML页

③、提取HTML页面里面有用的数据（反复精练处理数据得到目标数据）。

3、如何抓取HTML页面：

①、HTTP请求的处理，urllib、urllib2、requests

②、处理后的请求可以模拟浏览器发送请求、获取服务器响应的文件。

③、解析服务器相应的内容：re，xpath、jsonpath、pyquery等。

使用某一种描述性来给我们需要的数据定义一个匹配规则，

符合这个规则的数据就会被匹配。比如常用的re，正则表达式。

④、如何采集动态HTML、验证码的处理。

通常的动态页面采集：Selenium+PhantomJS（无界面）：模拟真实浏览器加载js等非静态数据。

机器学习库，机器图像识别系统：Tesseract，可以处理简单的验证码，复杂的交给打码平台

⑤、Scrapy框架：（Scrapy，Pyspider）

高定制性、高性能（异步网络框架twisted）：速度下载快，提供数据存储，数据下载，提取规则等组件。

⑥、分布式策略:scrapy-redis,以Redis数据库为核心的一套组件

让Scrapy框架支持分布式的功能，主要在Redis里做请求指纹去重、请求分配、数据临时存储。

⑦、爬虫-反爬虫-反反爬虫：爬虫最难的就是网站另一边的反爬虫人员。

User-Agent、代理、验证码、动态数据加载、加密数据等。

数据价值是否值得费劲做爬虫，机器成本+人力成本>数据价值，一般能爬出来。