網(wǎng)頁(yè)數(shù)據(jù)源獲取

網(wǎng)頁(yè)數(shù)據(jù)源獲取網(wǎng)絡(luò)爬蟲概述網(wǎng)絡(luò)爬蟲（又稱為網(wǎng)絡(luò)蜘蛛、網(wǎng)絡(luò)機(jī)器人等），是一種按照一定的規(guī)則，自動(dòng)抓取網(wǎng)絡(luò)信息的程序或者腳本。網(wǎng)絡(luò)爬蟲的基本原理是用戶通過網(wǎng)址（URL）向服務(wù)器發(fā)送訪問請(qǐng)求（HTTP請(qǐng)求），服務(wù)器在收到客戶的請(qǐng)求以后，驗(yàn)證請(qǐng)求的有效性，然后向客戶端發(fā)送響應(yīng)內(nèi)容（Response），客戶端接收并將內(nèi)容展示出來。網(wǎng)絡(luò)爬蟲類似于模擬用戶瀏覽網(wǎng)頁(yè)的操作，通過模擬瀏覽器向網(wǎng)站發(fā)送請(qǐng)求，再獲得相關(guān)資源后，從中提取有用的數(shù)據(jù)并進(jìn)行保存。網(wǎng)絡(luò)爬蟲的一般工作流程如圖1所示。圖1網(wǎng)絡(luò)爬蟲的基本流程URLURL（UniformResourceLocator）是統(tǒng)一資源定位符，是對(duì)互聯(lián)網(wǎng)上得到資源的位置和訪問方法的一種簡(jiǎn)潔表示，URL具有全球唯一性。URL的一般語(yǔ)法格式為：協(xié)議+IP地址（域名）+端口號(hào)+路徑+參數(shù)+查詢+信息片段，例如:http://www.*****.com/***，其中http為傳輸協(xié)議，www.*****.com為域名，/***為路徑。中聯(lián)集團(tuán)教育科技有限公司的URL如圖2所示。圖2中聯(lián)集團(tuán)教育科技有限公司URLHTTP協(xié)議1.HTTP協(xié)議的含義HTTP（HyperTextTransferProtocol，超文本傳輸協(xié)議）是用于從網(wǎng)絡(luò)傳輸超文本數(shù)據(jù)到本地瀏覽器的傳輸協(xié)議，它能夠保證高效而準(zhǔn)確地傳送超文本書檔。HTTP請(qǐng)求是目前互聯(lián)網(wǎng)上應(yīng)用最為廣泛的一種網(wǎng)絡(luò)請(qǐng)求方式，常見的是在網(wǎng)絡(luò)瀏覽器中輸入一個(gè)網(wǎng)址，在訪問網(wǎng)頁(yè)時(shí)，服務(wù)器把網(wǎng)頁(yè)傳送給瀏覽器，實(shí)際上就是把網(wǎng)頁(yè)的HTML代碼發(fā)送給瀏覽器，從而讓瀏覽器顯示出來，瀏覽器和服務(wù)器之間的傳輸協(xié)議即是HTTP協(xié)議。HTTP協(xié)議2.HTTP請(qǐng)求過程在瀏覽器中輸入一個(gè)URL，按回車鍵后，在瀏覽器中觀察頁(yè)面內(nèi)容，其中的過程是瀏覽器向網(wǎng)站所在服務(wù)器發(fā)送一個(gè)Request（請(qǐng)求），網(wǎng)站服務(wù)器接收到Request后進(jìn)行處理和解析，然后返回對(duì)應(yīng)的Response（響應(yīng)），傳回瀏覽器，Response中包含頁(yè)面的源代碼等內(nèi)容，瀏覽器再對(duì)其進(jìn)行解析便會(huì)將網(wǎng)頁(yè)呈現(xiàn)出來，如圖3所示。圖3請(qǐng)求響應(yīng)模型HTTP協(xié)議3.RequestRequest由客戶端向服務(wù)端發(fā)出，是一個(gè)功能強(qiáng)大的網(wǎng)絡(luò)請(qǐng)求庫(kù)，可以請(qǐng)求網(wǎng)站獲取網(wǎng)頁(yè)上的數(shù)據(jù)。Request的引入規(guī)則為：importrequests?？梢詫equest劃分為以下4部分內(nèi)容：RequestMethod：請(qǐng)求方法。RequestURL：請(qǐng)求URL地址。RequestHeaders：請(qǐng)求標(biāo)頭。RequestBody：請(qǐng)求體。一般承載的內(nèi)容是POST請(qǐng)求中的表單數(shù)據(jù)，而對(duì)于GET請(qǐng)求，RequestBody則為空。HTTP協(xié)議4.ResponseResponse對(duì)象包含爬蟲返回的內(nèi)容，由服務(wù)端返回給客戶端。Response可以劃分為以下3部分：ResponseStatusCode：請(qǐng)求返回狀態(tài)碼。200表示連接成功，404或其他表示失敗。ResponseHeaders：響應(yīng)標(biāo)頭。ResponseBody：響應(yīng)體。響應(yīng)的正文數(shù)據(jù)都包含在響應(yīng)體中。在執(zhí)行網(wǎng)絡(luò)爬蟲程序中，主要解析的內(nèi)容就是ResponseBody，通過ResponseBody可以得到網(wǎng)頁(yè)的源代碼、JSON數(shù)據(jù)等，然后提取其中的內(nèi)容。HTTP協(xié)議5.示例在中聯(lián)教學(xué)平臺(tái)中打開JupyterNotebook工具，新建一個(gè)Python文件，在代碼編輯區(qū)域中輸入如下代碼：importrequests#導(dǎo)入爬蟲的request庫(kù)，不然調(diào)用不了爬蟲的函數(shù)response=requests.get("/")#生成一個(gè)response對(duì)象response.encoding=response.apparent_encoding#設(shè)置編碼格式pri