Python 爬虫

1、HTTP协议

　　超文本传输协议：一种发布和接受HTML页面的 方法，服务器端口号是80.

　　-----HTTPS协议：是HTTP协议的加密版本，在HTTP下加入了SSL层。服务器端口号是443。

2、URL组成部分

　　scheme://host:port/path/?query-string=xxx#anchor

• scheme：代表访问协议，一般为http或者https以及ftp等
• host：主机名。访问一个网站的时候，浏览器默认使用80端口
• path：查找路径
• query-string：查询字符串
• anchor：锚点，前端用来做页面定位，一些前后分离项目，也用锚点来做导航

在浏览器中请求一个url，浏览器会对这个url进行一个编码。除英文字母，数字和部分符号外，其他的全部使用百分号+十六进制码进行编码

3、常用的请求Method

• get请求：一般情况下，只从服务器获取数据下来，并不会对服务器资源产生任何影响时回使用get请求
• post请求：向服务器发送数据（登录）、上传文件等，会对服务器资源产生影响的时候会使用post请求。
• head：类似于get请求，只不过返回的响应中没有具体的内容，用于获取报头
• put：从客户端向服务器传送的数据取代指定的文档内容
• delete：请求服务器删除指定的页面
• connect：HTTP/1.1协议中预留给能够将连接改为管道方式的代理服务器
• options：允许客户端查看服务器的性能
• trace：回显服务器收到的请求，主要用于测试或诊断

4、常见的请求头参数

　　在http协议中，向服务器发送一个请求，数据分为三部分，第一个是把数据放在url中，第二个是把数据放在body中（在post请求中），第三个就是把数据放在head中。

• User-Agent：浏览器名称。请求一个网页的时候，服务器通过这个参数就可以知道这个请求是由哪种浏览器发送的。如果是通过爬虫发送请求，那么我们的User-Agent就是Python。我们可以设置这个值为一些浏览器的值，来伪装爬虫。
• Referer：表明当前这个请求是从哪个url过来的。如果不是从指定页面过来的，那么就不做相关的相应
• Cookie：http协议是无状态的。cookie用来做标识，让服务器知道两个请求是否来自同一个人。如果想要做登陆后才能访问的网站，那么就需要发送cookie信息。

5、常见的响应状态码

• 200：请求正常，服务器正常的返回数据
• 301：永久重定向。
• 302：临时重定向
• 400：请求的url在服务器上找不到。##（url错误）
• 403：服务器拒绝访问，权限不够
• 500：服务器内部错误。可能是服务器出现BUG了

4、Chrome抓包使用

• Elements：展示出浏览器看过的网页，背后的源代码，有事网页数据是通过ajax请求得到的，所以Elements下的数据不能完全相信
• Console：展示网站打印的一些信息
• Sources：展示出网页中所有的网页源代码
• Network：展示网页发送的所有网络请求

urllib库的基本使用

• urllib库  #python内置的网络请求库，他是Python中一个最基本的网络请求库，可以模拟浏览器的行为，向指定的服务器发送一个请求，并可以保存服务器返回的数据。
  • urllib函数
    • 在Python3的urllib库中，所有和网络请求相关的方法，都被集到urllib.request模块下边
    • rulopen函数：
    • from urllib import request
    • resp = request.urlopen(http://www.baidu.com')
    • print(resp.read())  #read 获取对象里的内容    *有read(size)、readline、readlines以及getcode等方法
  • urllib.Request，处理cookie，代理设置
  • urlretrieve函数  #这个函数可以方便的将网页上的一个文件保存到本地。
    • 例如：
      • from urllib import request
      • request.urlretrieve('http://www.baidu.com/','baidu.html')    #（url,'文件名'）
  • urlencode函数   #urlencode可以把字典数据转换为URL编码的数据
    • 例：
      • from urllib import parse   #导入parse子模块
      • data = {'name
      • :'66','greet':'hello','age':100}
      • qs = parse.urlencode(data)
      • print(qs)
• requests库  #第三方的库

连接数据库

import pymysql

db = pymysql.connect(host=*,port=*,user=*,password=*,database=*)  

#拿到数据库之后会返回一个对象 db

cursor = db.cursor()  #通过cursor来操作数据库

cursor.execute("*")   #执行语句

result = cursor.fetchone()   #提取得到的结果中第一条数据

插入数据

sql = "insert into *() values();"    #要插入的内容

   #也可以sqlsql = "insert into *() values(null,%s,%s,%s,%s);"

      cursor.execute(sql,('*',1,23,'233')  插入不确定的数据

db = pymysql.connect(***)  连接数据库

cursor = db.cursor()

sql = (**)   要执行的sql

cursor.execute(sql)  运行sql

db.commit()   提交执行的事件

db.close()   关闭数据库

查找数据

使用pymysql查询数据。可以用cetch*方法

fetchone():    #这个方法每次获取一条数据

fetchall():   #这个方法接收全部的返回结果

fetchmany(size):    #可以获取指定条数的数据