1、爬虫是什么
简单的来说：就是用程序获取网络上数据。
2、爬虫的原理
如果要获取网络上数据，我们要给爬虫一个网址（程序中通常叫URL），爬虫发送一个HTTP请求给目标网页的服务器，服务器返回数据给客户端（也就是我们的爬虫），爬虫再进行数据解析、保存等一系列操作。
3、爬虫基本流程
用户获取网络数据的方式：
方式1：浏览器提交请求—>下载网页代码—>解析成页面
方式2：模拟浏览器发送请求(获取网页代码)->提取有用的数据->存放于数据库或文件中
爬虫要做的就是方式 2。
3.1、发起请求
使用http库向目标站点发起请求，即发送一个Request
Request包含：请求头、请求体等
Request模块缺陷：不能执行JS 和CSS 代码
3.2、获取响应内容
如果服务器能正常响应，则会得到一个Response
Response包含：html，json，图片，视频等
3.3、解析内容
解析html数据：正则表达式（RE模块）、xpath（主要使用）、beautiful soup、css
解析json数据：json模块
解析二进制数据:以wb的方式写入文件
3.4、保存数据
数据库（MySQL，Mongdb、Redis）或 文件的形式。
4、爬虫代码
# 导入requests模块，设置 url为百度翻译网页的网址。
import requestsdef English_Chinese():url = "https://fanyi.baidu.com/sug"s = input("请输入要翻译的词(中/英):")dat = {"kw":s}resp = requests.post(url,data = dat)# 发送post请求ch = resp.json() # 将服务器返回的内容直接处理成json => dictresp.close()dic_lenth = len(ch['data'])for i in range(dic_lenth):print("词:"+ch['data'][i]['k']+" "+"单词意思:"+ch['data'][i]['v'])主要使用requests库
5、学习资源与经验总结
学习爬虫需要掌握以下几个方面：
- 编程语言：Python是目前最常用的爬虫语言，因此需要掌握Python的基本语法和常用的库。
- 基础知识：需要了解计算机网络的基本知识，包括HTTP协议、TCP/IP协议、DNS协议等。
- 爬虫框架：学习使用一些爬虫框架，如Scrapy、BeautifulSoup等，可以加快爬虫的开发速度。
- 浏览器抓包：学习使用抓包工具，如Fiddler、Wireshark等，可以帮助理解网站的数据传输过程。
- 反爬机制：了解网站的反爬机制，如封IP、封账号、封代理等，可以帮助避免被网站禁止访问。
- 数据清洗：学习使用数据清洗工具和方法，如正则表达式、BeautifulSoup等，可以帮助处理不同格式的数据。
- 法律法规：了解相关法律法规，如个人信息保护法、知识产权法等，避免侵犯他人的合法权益。
另外：
- python学习路线：很多网站都有免费的学习路径，这里不在赘述，例如python学习路线
- 很多网站对IP的要求很高，短时间请求十几次就会遭关进小黑屋。明显是网站进行了反爬处理：限制IP请求频率。这个时候，我们只有加代理进行访问请求了。这里推荐一款最近发现的代理商家：协采云IP池
如果大量访问某个网站，一个稳定的代理访问是必不可少的。
