Python网络爬虫实战之一:网络爬虫理论基础

一、浏览网页的基本过程和通信基础

当我们在浏览器地址栏输入: http://www.baidu.com 回车后会浏览器显示百度的首页,那这 段网络通信过程中到底发生了什么?

简单来说这段过程发生了以下四个步骤:

  1. 浏览器通过DNS服务器查找域名对应的IP地址;
  2. 向IP地址对应的Web服务器发送请求 ;
  3. Web Web服务器响应请求,发回HTML页面 ;
  4. 浏览器解析HTML内容,并显示出来

DNS

  • DNS 是计算机域名系统 (Domain Name System (Domain Name System 或 Domain Name Service) 的缩写,由解析器和域名服务组成的。
  • 域名服务器是指保存有该网络中所主机的和对应 IP 地址,并具有将域名转换为 IP 地址功能的服务器。
  • 一般个域名的DNS解析时间在10~60毫秒之间。
  • 一个域名必须对应IP地址,而一个IP地址不一定会有域名

HTTP和HTTPS

  • HTTP协议(HyperText Transfer Protocol,超文本传输协议)是一种发布和接收HTML页面的方法
  • HTTPS协议(HyperText Transfer Protocol over Secure Socket Layer)简单的讲就是HTTP的安全版,在HTTP下加入SSL层
  • SSL(Secure Socket Layer 安全套接层)主要用于Web的安全传输协议,在传输层对网络连接进行加密,保障在Internet上数据传输的安全
  • HTTP的端口号是80,HTTPS的端口号是443

URI与URL

  • URI(Uniform Resource Identifier)统一资源标志符
  • URL(Universal Resource Locator)统一资源定位符,用于完整地描述Internet上网页和其他资源的地址的一中标识方法
  • URL的基本格式:scheme://host[:port]/path/.../[?query-string][#anchor]

请求

请求由客户端向服务端发出,分为四部分:请求方法、请求的网址、请求头、请求体

  • 请求方法

img

1-1.jpg

  • 请求头,用来说明服务器使用的附加信息,比较重要的信息有Cookie、Referer、user-Agent等。

img

1-2.jpg

  • 请求体,一般承载的内容是POST请求中的表单数据,而对于GET请求,请求体则为空。

img

1-3.jpg

响应

响应由服务端返回给客户端,分为三部分:响应状态码、响应头、响应提

  • 响应状态码

img

1-4.jpg

  • 响应头,包含了服务器对请求的应答信息,如Content-Type、Server、Set-Cookie等。

img

1-4.jpg

  • 响应体,响应的正文数据都在响应体中,比如请求网页时他的响应体就是网页的HTML代码,请求一张图片时,它的响应体就是图片的二进制数据。我们做爬虫请求网页后,要解析的就是响应体

二、爬虫基本工作原理

爬虫基本类型

  • 通用爬虫:是 捜索引擎抓取系统(Baidu、Google、Yahoo等)的重要组成部分。主要目的是将互联网上的网页下载到本地,形成一个互联网内容的镜像备份。
  • 聚焦爬虫:是”面向特定主题需求”的一种网络爬虫程序,它与通用搜索引擎爬虫的区别在于, 聚焦爬虫在实施网页抓取时会对内容进行处理筛选,尽量保证只抓取与需求相关的网页信息。
  • 增量式爬虫:增量式更新指的是在更新的时候只更新改变的地方,而未改变的地方则不更新。所以增量式爬虫技术在爬取网页的过程中,只爬取内容发生变化或是新产生的网页,对未发生内容变化的网页则不会爬取。

爬虫的基本工作流程(以通用爬虫为例)

img

​ 1-7.png

第一步:抓取网页
  • 首先选取一部分的种子URL,将这些URL放入待抓取URL队列;
  • 取出待抓取URL,解析DNS得到主机的IP,并将URL对应的网页下载下来,存储进已下载网页库中,并且将这些URL放进已抓取URL队列。
  • 分析已抓取URL队列中的URL,分析其中的其他URL,并且将URL放入待抓取URL队列,从而进入下一个循环
第二步:数据存储
  • 搜索引擎通过爬虫爬取到的网页,将数据存入原始页面数据库。其中的页面数据与用户浏览器得到的HTML是完全一样的。
  • 搜索引擎蜘蛛在抓取页面时,也做一定的重复内容检测,一旦遇到访问权重很低的网站上有大量抄袭、采集或者复制的内容,很可能就不再爬行。
第三步:预处理
  • 搜索引擎将爬虫抓取回来的页面,进行各种步骤的预处理,比如:提取文字、中文分词、消除噪音(比如版权声明文字、导航条、广告等……)、索引处理、链接关系计算、特殊文件处理….
  • 除了HTML文件外,搜索引擎通常还能抓取和索引以文字为基础的多种文件类型,如 PDF、Word、WPS、XLS、PPT、TXT 文件等。我们在搜索结果中也经常会看到这些文件类型。
  • 但搜索引擎还不能处理图片、视频、Flash 这类非文字内容,也不能执行脚本和程序。
第四步:操作数据,实现需求

比如获取京东某类商品的所有评论、购买用户的会员等级

爬虫基本结构

img

1-6.jpg

爬虫的抓取策略

  • 深度优先遍历策略
  • 广度优先遍历策略
  • 方向链接策略
  • Partial PageRank 策略
  • OPIC策略

爬虫的更新策略

  • 历史参考策略
  • 用户体验策略
  • 聚类抽样策略

网页分析算法

  • 基于用户行为的网页分析算法
  • 基于网络拓扑的网页分析算法
  • 基于网页内容的网页分析算法