注册
登录
提问时间:2018/8/15 16:26:53    楼主:未知网友   阅读量:270

大数据时代来临,网络爬虫日益火爆,不少朋友都纷纷开始学习,准备入行了,那么在学习爬虫开发之前需要先了解哪些知识呢?

一、HTTP基本原理

由客户端向服务端发起,可以分为4个部分:请求方法(Request Methon)、请求的网址(Resquest URL)、请求头(Request Headers)、请求体(Resquest Body)。

1、请求方法常见的有两种:GET和POST,还有PUT、DELETE、HEAD以及OPTIONS等方法,这里就不详细介绍了。

2、请求网址:URL,统一资源定位符,它可以唯一确定我们想要的资源。

3、请求头:用来说明服务器要使用的附加信息,比较重要的信息有Cookie、Referer、User-Agent等。

4、请求体:一般承载内容是POST请求的表单数据,而对于GET请求,请求体则为空 。

二、网页结构分析

网页大致可分为三大部分——HTML(骨架)、CSS(皮肤)和JavaScript(肌肉)。 

1、HTML:描述网页的语言,即超文本标记语言,不同的元素通过不同的标签来表示。 

2、CSS,全称叠层样式表,是目前唯一的网页页面排版样式标准。

3、JavaScript是一种脚本语言,实现实时、动态、交互的页面功能。

三、爬虫基本原理

爬虫的工作流程大致可以分为四步:获取网页,提取信息,保存数据,自动化程序。

1、获取网页:获取网页源码。

2、提取信息:分析网页内容。

3、保存数据:保存到文本或者数据库中。

4、自动化程序:代替人操作。

四、代理IP的选择

代理IP是爬虫工作过程中必不可少的辅助工具之一,高效稳定的代理IP是保障爬虫高效率运行的基础。代理IP按匿名度来分可以分为:高匿名代理IP,普通匿名代理IP,透明代理IP;按照通信协议来分可以分为:HTTP/HTTPS代理IP,Socks代理IP。

在选择代理IP的时候,最好是要选择高匿代理IP,根据需要选择HTTP或者socks5,大多数为HTTP代理,在选择的时候需要注意IP日流水量、速度、稳定、有效率、价格等因素,这里就不一一说明了。