想成為Python高手，必須看這篇爬蟲原理介紹！（附29個爬蟲專案）

網際網路是由一個個站點和網路裝置組成的大網，我們通過瀏覽器訪問站點，站點把HTML、JS、CSS程式碼返回給瀏覽器，這些程式碼經過瀏覽器解析、渲染，將豐富多彩的網頁呈現我們眼前。

一、爬蟲是什麼？

如果我們把網際網路比作一張大的蜘蛛網，資料便是存放於蜘蛛網的各個節點，而爬蟲就是一隻小蜘蛛，沿著網路抓取自己的獵物（資料）爬蟲指的是：向網站發起請求，獲取資源後分析並提取有用資料的程式。

從技術層面來說就是 通過程式模擬瀏覽器請求站點的行為，把站點返回的HTML程式碼/JSON資料/二進位制資料（圖片、視訊） 爬到本地，進而提取自己需要的資料，存放起來使用；

二、爬蟲的基本流程

使用者獲取網路資料的方式：

方式1：瀏覽器提交請求—>下載網頁程式碼—>解析成頁面

方式2：模擬瀏覽器傳送請求(獲取網頁程式碼)->提取有用的資料->存放於資料庫或檔案中

爬蟲要做的就是方式2。

1、發起請求

使用http庫向目標站點發起請求，即傳送一個Request

Request包含：請求頭、請求體等

Request模組缺陷：不能執行JS 和CSS 程式碼

2、獲取響應內容

如果伺服器能正常響應，則會得到一個Response

Response包含：html，json，圖片，視訊等

3、解析內容

解析html資料：正規表示式（RE模組），第三方解析庫如Beautifulsoup，pyquery等

解析json資料：json模組

解析二進位制資料:以wb的方式寫入檔案

4、儲存資料

資料庫（MySQL，Mongdb、Redis）

檔案

三、http協議 請求與響應

**Request：**使用者將自己的資訊通過瀏覽器（socket client）傳送給伺服器（socket server）

**Response：**伺服器接收請求，分析使用者發來的請求資訊，然後返回資料（返回的資料中可能包含其他連結，如：圖片，js，css等）

**ps：**瀏覽器在接收Response後，會解析其內容來顯示給使用者，而爬蟲程式在模擬瀏覽器傳送請求然後接收Response後，是要提取其中的有用資料。

四、 request

1、請求方式：

常見的請求方式：GET / POST

2、請求的URL

url全球統一資源定位符，用來定義網際網路上一個唯一的資源 例如：一張圖片、一個檔案、一段視訊都可以用url唯一確定

url編碼

https://www.baidu.com/s?wd=圖片

圖片會被編碼（看示例程式碼）

網頁的載入過程是：

載入一個網頁，通常都是先載入document文件，

在解析document文件的時候，遇到連結，則針對超連結發起下載圖片的請求

3、請求頭

User-agent：請求頭中如果沒有user-agent客戶端配置，服務端可能將你當做一個非法使用者host；

cookies：cookie用來儲存登入資訊

注意：一般做爬蟲都會加上請求頭

請求頭需要注意的引數：

（1）Referrer：訪問源至哪裡來（一些大型網站，會通過Referrer 做防盜鏈策略；所有爬蟲也要注意模擬）

（2）User-Agent:訪問的瀏覽器（要加上否則會被當成爬蟲程式）

（3）cookie：請求頭注意攜帶

4、請求體

請求體

如果是get方式，請求體沒有內容 （get請求的請求體放在 url後面引數中，直接能看到）
如果是post方式，請求體是format data

ps：

1、登入視窗，檔案上傳等，資訊都會被附加到請求體內

2、登入，輸入錯誤的使用者名稱密碼，然後提交，就可以看到post，正確登入後頁面通常會跳轉，無法捕捉到post

五、 響應Response

1、響應狀態碼

200：代表成功

301：代表跳轉

404：檔案不存在

403：無許可權訪問

502：伺服器錯誤

2、respone header

響應頭需要注意的引數：

（1）Set-Cookie:BDSVRTM=0; path=/：可能有多個，是來告訴瀏覽器，把cookie儲存下來

（2）Content-Location：服務端響應頭中包含Location返回瀏覽器之後，瀏覽器就會重新訪問另一個頁面

3、preview就是網頁原始碼

JSO資料

如網頁html，圖片

二進位制資料等

專門建立的Python學習扣QUN：⑦⑧④⑦⑤⑧②①④ 從零基礎開始到Python各領域的專案實戰教程、開發工具與電子書籍。與你分享企業當下對於python人才需求及學好python的高效技巧，不停更新最新教程！點選加入我們的 python學習圈

六、總結

1、總結爬蟲流程：

爬取—>解析—>儲存

2、爬蟲所需工具：

** 請求庫：**requests,selenium（可以驅動瀏覽器解析渲染CSS和JS，但有效能劣勢（有用沒用的網頁都會載入）；）
** 解析庫：**正則，beautifulsoup，pyquery
** 儲存庫：**檔案，MySQL，Mongodb，Redis

補充：29個Python爬蟲專案**（所有連結指向GitHub）**

WechatSogou [1]- 微信公眾號爬蟲。基於搜狗微信搜尋的微信公眾號爬蟲介面，可以擴充套件成基於搜狗搜尋的爬蟲，返回結果是列表，每一項均是公眾號具體資訊字典。

連結：https://github.com/Chyroc/WechatSogou

DouBanSpider [2]- 豆瓣讀書爬蟲。可以爬下豆瓣讀書標籤下的所有圖書，按評分排名依次儲存，儲存到Excel中，可方便大家篩選蒐羅，比如篩選評價人數>1000的高分書籍；可依據不同的主題儲存到Excel不同的Sheet ，採用User Agent偽裝為瀏覽器進行爬取，並加入隨機延時來更好的模仿瀏覽器行為，避免爬蟲被封。

連結：https://github.com/lanbing510/DouBanSpider

zhihu_spider [3]- 知乎爬蟲。此專案的功能是爬取知乎使用者資訊以及人際拓撲關係，爬蟲框架使用scrapy，資料儲存使用mongo

連結：https://github.com/LiuRoy/zhihu_spider

bilibili-user [4]- Bilibili使用者爬蟲。總資料數：20119918，抓取欄位：使用者id，暱稱，性別，頭像，等級，經驗值，粉絲數，生日，地址，註冊時間，簽名，等級與經驗值等。抓取之後生成B站使用者資料包告。

連結：https://github.com/airingursb/bilibili-user

SinaSpider [5]- 新浪微博爬蟲。主要爬取新浪微博使用者的個人資訊、微博資訊、粉絲和關注。程式碼獲取新浪微博Cookie進行登入，可通過多賬號登入來防止新浪的反扒。主要使用 scrapy 爬蟲框架。

連結：https://github.com/LiuXingMing/SinaSpider

distribute_crawler [6]- 小說下載分散式爬蟲。使用scrapy,Redis, MongoDB,graphite實現的一個分散式網路爬蟲,底層儲存MongoDB叢集,分散式使用Redis實現,爬蟲狀態顯示使用graphite實現，主要針對一個小說站點。

連結：https://github.com/gnemoug/distribute_crawler

CnkiSpider [7]- 中國知網爬蟲。設定檢索條件後，執行src/CnkiSpider.py抓取資料，抓取資料儲存在/data目錄下，每個資料檔案的第一行為欄位名稱。

連結：https://github.com/yanzhou/CnkiSpider

LianJiaSpider [8]- 鏈家網爬蟲。爬取北京地區鏈家歷年二手房成交記錄。涵蓋鏈家爬蟲一文的全部程式碼，包括鏈家模擬登入程式碼。

連結：https://github.com/yanzhou/CnkiSpider

scrapy_jingdong [9]- 京東爬蟲。基於scrapy的京東網站爬蟲，儲存格式為csv。

連結：https://github.com/taizilongxu/scrapy_jingdong

QQ-Groups-Spider [10]- QQ 群爬蟲。批量抓取 QQ 群資訊，包括群名稱、群號、群人數、群主、群簡介等內容，最終生成 XLS(X) / CSV 結果檔案。

連結：https://github.com/caspartse/QQ-Groups-Spider

wooyun_public[11]-烏雲爬蟲。烏雲公開漏洞、知識庫爬蟲和搜尋。全部公開漏洞的列表和每個漏洞的文字內容存在MongoDB中，大概約2G內容；如果整站爬全部文字和圖片作為離線查詢，大概需要10G空間、2小時（10M電信頻寬）；爬取全部知識庫，總共約500M空間。漏洞搜尋使用了Flask作為web server，bootstrap作為前端。

連結：https://github.com/hanc00l/wooyun_public

spider[12]- hao123網站爬蟲。以hao123為入口頁面，滾動爬取外鏈，收集網址，並記錄網址上的內鏈和外鏈數目，記錄title等資訊，windows7 32位上測試，目前每24個小時，可收集資料為10萬左右。

連結：https://github.com/hanc00l/wooyun_public

findtrip [13]- 機票爬蟲（去哪兒和攜程網）。Findtrip是一個基於Scrapy的機票爬蟲，目前整合了國內兩大機票網站（去哪兒 + 攜程）。

連結：https://github.com/hanc00l/wooyun_public

163spider [14] - 基於requests、MySQLdb、torndb的網易客戶端內容爬蟲。

連結：https://github.com/leyle/163spider

doubanspiders[15]- 豆瓣電影、書籍、小組、相簿、東西等爬蟲集 writen by Python

連結：https://github.com/sdfzy/doubanspiders

QQSpider [16]- QQ空間爬蟲，包括日誌、說說、個人資訊等，一天可抓取 400 萬條資料。

連結：https://github.com/LiuXingMing/QQSpider

baidu-music-spider [17]- 百度mp3全站爬蟲，使用redis支援斷點續傳。

連結：https://github.com/Shu-Ji/baidu-music-spider

tbcrawler[18]- 淘寶和天貓的爬蟲,可以根據搜尋關鍵詞,物品id來抓去頁面的資訊，資料儲存在mongodb。

連結：https://github.com/pakoo/tbcrawler

stockholm [19]- 一個股票資料（滬深）爬蟲和選股策略測試框架。根據選定的日期範圍抓取所有滬深兩市股票的行情資料。支援使用表示式定義選股策略。支援多執行緒處理。儲存資料到JSON檔案、CSV檔案。

連結：https://github.com/benitoro/stockholm

BaiduyunSpider[20]-百度雲盤爬蟲。

連結：https://github.com/k1995/BaiduyunSpider

Spider[21]-社交資料爬蟲。支援微博,知乎,豆瓣。

連結：https://github.com/Qutan/Spider

proxy pool[22]-Python爬蟲代理IP池(proxy pool)。

連結：https://github.com/Qutan/Spider

music-163[23]-爬取網易雲音樂所有歌曲的評論。

連結：https://github.com/RitterHou/music-163

CnblogsSpider[24]-cnblogs列表頁爬蟲。

連結：https://github.com/jackgitgz/CnblogsSpider

spider_smooc[25]-爬取慕課網視訊。

連結：https://github.com/jackgitgz/CnblogsSpider

knowsecSpider2[26]-知道創宇爬蟲題目。

連結：https://github.com/littlethunder/knowsecSpider2

SinaSpider[27]-動態IP解決新浪的反爬蟲機制，快速抓取內容。

連結：https://github.com/szcf-weiya/SinaSpider

csdn-spider[28]-爬取CSDN上的部落格文章。

連結：https://github.com/Kevinsss/csdn-spider

ProxySpider[29]-爬取西刺上的代理IP，並驗證代理可用性。

連結：https://github.com/changetjut/ProxySpider