爬蟲基礎(chǔ)概念
"大數(shù)據(jù)時(shí)代"從何而來(lái)?
- 企業(yè)生產(chǎn)的用戶數(shù)據(jù):阿里指數(shù),百度指數(shù),微博指數(shù)...
- 政府公開的數(shù)據(jù):中華人名共和國(guó)統(tǒng)計(jì)局,聯(lián)合國(guó)數(shù)據(jù)...
- 數(shù)據(jù)平臺(tái)購(gòu)買數(shù)據(jù):貴陽(yáng)大數(shù)據(jù)交易所...
數(shù)據(jù)的用途
搜進(jìn)行在網(wǎng)頁(yè)或者是app上進(jìn)行展示,如搜索引擎...
進(jìn)行數(shù)據(jù)分析或者是機(jī)器學(xué)習(xí)相關(guān)的項(xiàng)目,如通過(guò)數(shù)據(jù)來(lái)分析用戶習(xí)慣...
如何獲取數(shù)據(jù)
- 政府公開數(shù)據(jù)
- 購(gòu)買
- .如果需要的數(shù)據(jù)市場(chǎng)上沒(méi)有，或者不愿意購(gòu)買，那么可以選擇招/做一名爬蟲工程師，自己動(dòng)手豐衣足食.
什么是爬蟲
模擬客戶端發(fā)送網(wǎng)絡(luò)請(qǐng)求，接收請(qǐng)求響應(yīng)，一種按照一定的規(guī)則，自動(dòng)地抓取互聯(lián)網(wǎng)信息的程序.原則上,只要瀏覽器能做的事情,爬蟲都能做到.
比如:12306搶票,給七大姑八大姨的孩子投票,短信轟炸前任...
爬蟲的分類
普通爬蟲:通常指,搜索引擎
聚焦爬蟲:聚焦,顧名思義,針對(duì)特定的網(wǎng)站爬蟲.
怎么爬?流程是啥?
Robots協(xié)議
網(wǎng)站通過(guò)Robots協(xié)議告訴搜索引擎哪些頁(yè)面可以抓取，哪些頁(yè)面不能抓取，但它僅僅是道德層面上的約束.
Http 和 https
想要實(shí)現(xiàn)客戶端和服務(wù)器交互,那么二者之間需要建立一種都能遵守和理解的協(xié)議.比如,中國(guó)人和美國(guó)人想要交流,二人之間要么都會(huì)中文,要么都會(huì)英文,才能正常交流.
HTTP:超文本傳輸協(xié)議;默認(rèn)端口號(hào):80
HTTPS:HTTP + SSL(安全套接字層):默認(rèn)端口號(hào)：443
HTTPS比HTTP更安全，但是性能更低
瀏覽器發(fā)送http請(qǐng)求的過(guò)程
瀏覽器會(huì)主動(dòng)請(qǐng)求js，css等內(nèi)容，js會(huì)修改頁(yè)面的內(nèi)容，js也可以重新發(fā)送請(qǐng)求，最后瀏覽器渲染出來(lái)的內(nèi)容在elements中，其中包含css，圖片，js，url地址對(duì)應(yīng)的響應(yīng)等。
但是在爬蟲中，爬蟲只會(huì)請(qǐng)求url地址，對(duì)應(yīng)的拿到url地址對(duì)應(yīng)的響應(yīng)
瀏覽器渲染出來(lái)的頁(yè)面和爬蟲請(qǐng)求的頁(yè)面并不一樣
所以在爬蟲中，需要以u(píng)rl地址對(duì)應(yīng)的響應(yīng)為準(zhǔn)來(lái)進(jìn)行數(shù)據(jù)的提取
url的形式
url的形式：scheme://host[:port#]/path/…/[?query-string][#anchor]
scheme：協(xié)議(例如：http, https, ftp)
host：服務(wù)器的IP地址或者域名
port：服務(wù)器的端口（如果是走協(xié)議默認(rèn)端口，80 or 443）
path：訪問(wèn)資源的路徑
query-string：參數(shù)，發(fā)送給http服務(wù)器的數(shù)據(jù)
anchor：錨（跳轉(zhuǎn)到網(wǎng)頁(yè)的指定錨點(diǎn)位置）
http://localhost:4000/file/part01/1.2.html
http://item.jd.com/11936238.html#product-detail
url地址中是否包含錨點(diǎn)對(duì)響應(yīng)沒(méi)有影響
http 請(qǐng)求形式
http常見請(qǐng)求頭
Host (主機(jī)和端口號(hào))
Connection (鏈接類型)
Upgrade-Insecure-Requests (升級(jí)為HTTPS請(qǐng)求)
User-Agent (瀏覽器名稱)
Accept (傳輸文件類型)
Referer (頁(yè)面跳轉(zhuǎn)處)
Accept-Encoding（文件編解碼格式）
Cookie （Cookie）
x-requested-with :XMLHttpRequest (是Ajax 異步請(qǐng)求)
常見狀態(tài)響應(yīng)碼
HTTP狀態(tài)碼（HTTP Status Code）是用以表示網(wǎng)頁(yè)服務(wù)器HTTP響應(yīng)狀態(tài)的3位數(shù)字代碼。它由 RFC 2616 規(guī)范定義的，并得到RFC 2518、RFC 2817、RFC 2295、RFC 2774、RFC 4918等規(guī)范擴(kuò)展。
1xx 消息
2xx 成功
3xx 重定向
4xx 請(qǐng)求錯(cuò)誤
5xx 6xx 服務(wù)器出錯(cuò)
常見如下
200? （成功）? 服務(wù)器已成功處理了請(qǐng)求。 通常，這表示服務(wù)器提供了請(qǐng)求的網(wǎng)頁(yè)。
400? （錯(cuò)誤請(qǐng)求） 服務(wù)器不理解請(qǐng)求的語(yǔ)法。
401? （未授權(quán)） 請(qǐng)求要求身份驗(yàn)證。 對(duì)于需要登錄的網(wǎng)頁(yè)，服務(wù)器可能返回此響應(yīng)。
403? （禁止） 服務(wù)器拒絕請(qǐng)求。
404? （未找到） 服務(wù)器找不到請(qǐng)求的網(wǎng)頁(yè)。
405? （方法禁用） 禁用請(qǐng)求中指定的方法。
407? （需要代理授權(quán)） 此狀態(tài)代碼與 401（未授權(quán)）類似，但指定請(qǐng)求者應(yīng)當(dāng)授權(quán)使用代理。
408? （請(qǐng)求超時(shí)）? 服務(wù)器等候請(qǐng)求時(shí)發(fā)生超時(shí)。
500? （服務(wù)器內(nèi)部錯(cuò)誤）? 服務(wù)器遇到錯(cuò)誤，無(wú)法完成請(qǐng)求。
503? （服務(wù)不可用） 服務(wù)器目前無(wú)法使用（由于超載或停機(jī)維護(hù)）。 通常，這只是暫時(shí)狀態(tài)。
505? （HTTP 版本不受支持） 服務(wù)器不支持請(qǐng)求中所用的 HTTP 協(xié)議版本。
Unicode,utf8,ASCII
字符(Character)是各種文字和符號(hào)的總稱，包括各國(guó)家文字、標(biāo)點(diǎn)符號(hào)、圖形符號(hào)、數(shù)字等
字符集(Character set)是多個(gè)字符的集合
字符集包括：ASCII字符集、GB2312字符集、GB18030字符集、Unicode字符集等
ASCII編碼是1個(gè)字節(jié)，而Unicode編碼通常是2個(gè)字節(jié)。
UTF-8是Unicode的實(shí)現(xiàn)方式之一，UTF-8是它是一種變長(zhǎng)的編碼方式，可以是1，2，3個(gè)字節(jié)
ASCII、unicode和UTF-8的起源
很久很久以前，有一群人，他們決定用8個(gè)可以開合的晶體管來(lái)組合成不同的狀態(tài)，以表示世界上的萬(wàn)物。他們看到8個(gè)開關(guān)狀態(tài)是好的，于是他們把這稱為"字節(jié)"。
再后來(lái)，他們又做了一些可以處理這些字節(jié)的機(jī)器，機(jī)器開動(dòng)了，可以用字節(jié)來(lái)組合出很多狀態(tài)，狀態(tài)開始變來(lái)變?nèi)?。他們看到這樣是好的，于是它們就這機(jī)器稱為"計(jì)算機(jī)"。
開始計(jì)算機(jī)只在美國(guó)用。八位的字節(jié)一共可以組合出256(2的8次方)種不同的狀態(tài)。
他們把其中的編號(hào)從0開始的32種狀態(tài)分別規(guī)定了特殊的用途，一但終端、打印機(jī)遇上約定好的這些字節(jié)被傳過(guò)來(lái)時(shí)，就要做一些約定的動(dòng)作。遇上00x10, 終端就換行，遇上0x07, 終端就向人們嘟嘟叫，例好遇上0x1b, 打印機(jī)就打印反白的字，或者終端就用彩色顯示字母。他們看到這樣很好，于是就把這些0x20以下的字節(jié)狀態(tài)稱為"控制碼"。
他們又把所有的空格、標(biāo)點(diǎn)符號(hào)、數(shù)字、大小寫字母分別用連續(xù)的字節(jié)狀態(tài)表示，一直編到了第127號(hào)，這樣計(jì)算機(jī)就可以用不同字節(jié)來(lái)存儲(chǔ)英語(yǔ)的文字了。大家看到這樣，都感覺很好，于是大家都把這個(gè)方案叫做 ANSI 的"Ascii"編碼（American Standard Code for Information Interchange，美國(guó)信息互換標(biāo)準(zhǔn)代碼）。當(dāng)時(shí)世界上所有的計(jì)算機(jī)都用同樣的ASCII方案來(lái)保存英文文字。
后來(lái)，就像建造巴比倫塔一樣，世界各地的都開始使用計(jì)算機(jī)，但是很多國(guó)家用的不是英文，他們的字母里有許多是ASCII里沒(méi)有的，為了可以在計(jì)算機(jī)保存他們的文字，他們決定采用127號(hào)之后的空位來(lái)表示這些新的字母、符號(hào)，還加入了很多畫表格時(shí)需要用下到的橫線、豎線、交叉等形狀，一直把序號(hào)編到了最后一個(gè)狀態(tài)255。從128到255這一頁(yè)的字符集被稱"擴(kuò)展字符集"。從此之后，貪婪的人類再?zèng)]有新的狀態(tài)可以用了，美帝國(guó)主義可能沒(méi)有想到還有第三世界國(guó)家的人們也希望可以用到計(jì)算機(jī)吧！
等中國(guó)人們得到計(jì)算機(jī)時(shí)，已經(jīng)沒(méi)有可以利用的字節(jié)狀態(tài)來(lái)表示漢字，況且有6000多個(gè)常用漢字需要保存呢。但是這難不倒智慧的中國(guó)人民，我們不客氣地把那些127號(hào)之后的奇異符號(hào)們直接取消掉, 規(guī)定：一個(gè)小于127的字符的意義與原來(lái)相同，但兩個(gè)大于127的字符連在一起時(shí)，就表示一個(gè)漢字，前面的一個(gè)字節(jié)（他稱之為高字節(jié)）從0xA1用到0xF7，后面一個(gè)字節(jié)（低字節(jié)）從0xA1到0xFE，這樣我們就可以組合出大約7000多個(gè)簡(jiǎn)體漢字了。在這些編碼里，我們還把數(shù)學(xué)符號(hào)、羅馬希臘的字母、日文的假名們都編進(jìn)去了，連在 ASCII 里本來(lái)就有的數(shù)字、標(biāo)點(diǎn)、字母都統(tǒng)統(tǒng)重新編了兩個(gè)字節(jié)長(zhǎng)的編碼，這就是常說(shuō)的"全角"字符，而原來(lái)在127號(hào)以下的那些就叫"半角"字符了。
中國(guó)人民看到這樣很不錯(cuò)，于是就把這種漢字方案叫做 "GB2312"。GB2312 是對(duì) ASCII 的中文擴(kuò)展。
但是中國(guó)的漢字太多了，我們很快就就發(fā)現(xiàn)有許多人的人名沒(méi)有辦法在這里打出來(lái)，特別是某些很會(huì)麻煩別人的國(guó)家領(lǐng)導(dǎo)人。于是我們不得不繼續(xù)把 GB2312 沒(méi)有用到的碼位找出來(lái)老實(shí)不客氣地用上。
后來(lái)還是不夠用，于是干脆不再要求低字節(jié)一定是127號(hào)之后的內(nèi)碼，只要第一個(gè)字節(jié)是大于127就固定表示這是一個(gè)漢字的開始，不管后面跟的是不是擴(kuò)展字符集里的內(nèi)容。結(jié)果擴(kuò)展之后的編碼方案被稱為 GBK 標(biāo)準(zhǔn)，GBK 包括了 GB2312 的所有內(nèi)容，同時(shí)又增加了近20000個(gè)新的漢字（包括繁體字）和符號(hào)。
后來(lái)少數(shù)民族也要用電腦了，于是我們?cè)贁U(kuò)展，又加了幾千個(gè)新的少數(shù)民族的字，GBK 擴(kuò)成了 GB18030。從此之后，中華民族的文化就可以在計(jì)算機(jī)時(shí)代中傳承了。
中國(guó)的程序員們看到這一系列漢字編碼的標(biāo)準(zhǔn)是好的，于是通稱他們叫做 "DBCS"（Double Byte Charecter Set 雙字節(jié)字符集）。在DBCS系列標(biāo)準(zhǔn)里，最大的特點(diǎn)是兩字節(jié)長(zhǎng)的漢字字符和一字節(jié)長(zhǎng)的英文字符并存于同一套編碼方案里，因此他們寫的程序?yàn)榱酥С种形奶幚?，必須要注意字串里的每一個(gè)字節(jié)的值，如果這個(gè)值是大于127的，那么就認(rèn)為一個(gè)雙字節(jié)字符集里的字符出現(xiàn)了。那時(shí)候凡是受過(guò)加持，會(huì)編程的計(jì)算機(jī)僧侶們都要每天念下面這個(gè)咒語(yǔ)數(shù)百遍：
"一個(gè)漢字算兩個(gè)英文字符！一個(gè)漢字算兩個(gè)英文字符……"
因?yàn)楫?dāng)時(shí)各個(gè)國(guó)家都像中國(guó)這樣搞出一套自己的編碼標(biāo)準(zhǔn)，結(jié)果互相之間誰(shuí)也不懂誰(shuí)的編碼，誰(shuí)也不支持別人的編碼，連大陸和臺(tái)灣這樣只相隔了150海里，使用著同一種語(yǔ)言的兄弟地區(qū)，也分別采用了不同的 DBCS 編碼方案——當(dāng)時(shí)的中國(guó)人想讓電腦顯示漢字，就必須裝上一個(gè)"漢字系統(tǒng)"，專門用來(lái)處理漢字的顯示、輸入的問(wèn)題，但是那個(gè)臺(tái)灣的愚昧封建人士寫的算命程序就必須加裝另一套支持 BIG5 編碼的什么"倚天漢字系統(tǒng)"才可以用，裝錯(cuò)了字符系統(tǒng)，顯示就會(huì)亂了套！這怎么辦？而且世界民族之林中還有那些一時(shí)用不上電腦的窮苦人民，他們的文字又怎么辦？
真是計(jì)算機(jī)的巴比倫塔命題?。?/p>
正在這時(shí)，大天使加百列及時(shí)出現(xiàn)了——一個(gè)叫 ISO （國(guó)際標(biāo)誰(shuí)化組織）的國(guó)際組織決定著手解決這個(gè)問(wèn)題。他們采用的方法很簡(jiǎn)單：廢了所有的地區(qū)性編碼方案，重新搞一個(gè)包括了地球上所有文化、所有字母和符號(hào)的編碼！他們打算叫它"Universal Multiple-Octet Coded Character Set"，簡(jiǎn)稱 UCS, 俗稱 "UNICODE"。
UNICODE 開始制訂時(shí)，計(jì)算機(jī)的存儲(chǔ)器容量極大地發(fā)展了，空間再也不成為問(wèn)題了。于是 ISO 就直接規(guī)定必須用兩個(gè)字節(jié)，也就是16位來(lái)統(tǒng)一表示所有的字符，對(duì)于ascii里的那些“半角”字符，UNICODE 包持其原編碼不變，只是將其長(zhǎng)度由原來(lái)的8位擴(kuò)展為16位，而其他文化和語(yǔ)言的字符則全部重新統(tǒng)一編碼。由于"半角"英文符號(hào)只需要用到低8位，所以其高8位永遠(yuǎn)是0，因此這種大氣的方案在保存英文文本時(shí)會(huì)多浪費(fèi)一倍的空間。
這時(shí)候，從舊社會(huì)里走過(guò)來(lái)的程序員開始發(fā)現(xiàn)一個(gè)奇怪的現(xiàn)象：他們的strlen函數(shù)靠不住了，一個(gè)漢字不再是相當(dāng)于兩個(gè)字符了，而是一個(gè)！是的，從 UNICODE 開始，無(wú)論是半角的英文字母，還是全角的漢字，它們都是統(tǒng)一的"一個(gè)字符"！同時(shí)，也都是統(tǒng)一的"兩個(gè)字節(jié)"，請(qǐng)注意"字符"和"字節(jié)"兩個(gè)術(shù)語(yǔ)的不同，“字節(jié)”是一個(gè)8位的物理存貯單元，而“字符”則是一個(gè)文化相關(guān)的符號(hào)。在UNICODE 中，一個(gè)字符就是兩個(gè)字節(jié)。一個(gè)漢字算兩個(gè)英文字符的時(shí)代已經(jīng)快過(guò)去了。
從前多種字符集存在時(shí)，那些做多語(yǔ)言軟件的公司遇上過(guò)很大麻煩，他們?yōu)榱嗽诓煌膰?guó)家銷售同一套軟件，就不得不在區(qū)域化軟件時(shí)也加持那個(gè)雙字節(jié)字符集咒語(yǔ)，不僅要處處小心不要搞錯(cuò)，還要把軟件中的文字在不同的字符集中轉(zhuǎn)來(lái)轉(zhuǎn)去。UNICODE 對(duì)于他們來(lái)說(shuō)是一個(gè)很好的一攬子解決方案，于是從 Windows NT 開始，MS 趁機(jī)把它們的操作系統(tǒng)改了一遍，把所有的核心代碼都改成了用 UNICODE 方式工作的版本，從這時(shí)開始，WINDOWS 系統(tǒng)終于無(wú)需要加裝各種本土語(yǔ)言系統(tǒng)，就可以顯示全世界上所有文化的字符了。
但是，UNICODE 在制訂時(shí)沒(méi)有考慮與任何一種現(xiàn)有的編碼方案保持兼容，這使得 GBK 與UNICODE 在漢字的內(nèi)碼編排上完全是不一樣的，沒(méi)有一種簡(jiǎn)單的算術(shù)方法可以把文本內(nèi)容從UNICODE編碼和另一種編碼進(jìn)行轉(zhuǎn)換，這種轉(zhuǎn)換必須通過(guò)查表來(lái)進(jìn)行。
如前所述，UNICODE 是用兩個(gè)字節(jié)來(lái)表示為一個(gè)字符，他總共可以組合出65535不同的字符，這大概已經(jīng)可以覆蓋世界上所有文化的符號(hào)。如果還不夠也沒(méi)有關(guān)系，ISO已經(jīng)準(zhǔn)備了UCS-4方案，說(shuō)簡(jiǎn)單了就是四個(gè)字節(jié)來(lái)表示一個(gè)字符，這樣我們就可以組合出21億個(gè)不同的字符出來(lái)（最高位有其他用途），這大概可以用到銀河聯(lián)邦成立那一天吧！
UNICODE 來(lái)到時(shí)，一起到來(lái)的還有計(jì)算機(jī)網(wǎng)絡(luò)的興起，UNICODE 如何在網(wǎng)絡(luò)上傳輸也是一個(gè)必須考慮的問(wèn)題，于是面向傳輸?shù)谋姸?UTF（UCS Transfer Format）標(biāo)準(zhǔn)出現(xiàn)了，顧名思義，UTF8就是每次8個(gè)位傳輸數(shù)據(jù)，而UTF16就是每次16個(gè)位，只不過(guò)為了傳輸時(shí)的可靠性，從UNICODE到UTF時(shí)并不是直接的對(duì)應(yīng)，而是要過(guò)一些算法和規(guī)則來(lái)轉(zhuǎn)換。
總結(jié)：
字符(Character)是各種文字和符號(hào)的總稱，包括各國(guó)家文字、標(biāo)點(diǎn)符號(hào)、圖形符號(hào)、數(shù)字等。字符集(Character set)是多個(gè)字符的集合
字符集包括：ASCII字符集、GB2312字符集、GB18030字符集、Unicode字符集等
ASCII編碼是1個(gè)字節(jié)，而Unicode編碼通常是2個(gè)字節(jié)。
UTF-8是Unicode的實(shí)現(xiàn)方式之一，UTF-8是它是一種變長(zhǎng)的編碼方式，可以是1，2，3個(gè)字節(jié)
python3 中的字符串
python3中兩種字符串類型：
str : unicode的呈現(xiàn)形式
bytes :字節(jié)類型，互聯(lián)網(wǎng)上數(shù)據(jù)的都是以二進(jìn)制的方式(字節(jié)類型)傳輸?shù)?/p>
使用方法:
str 使用encode方法轉(zhuǎn)化為 bytes
bytes 通過(guò)decode轉(zhuǎn)化為 str
