爬虫入门--了解相关工具

1.爬虫与python

首先我们要知道，爬虫一定要用Python么? 非也~ 用Java也行, C也可以，请各位记住，编程语言只是工具，抓到数据是你的目的，用什么工具去达到你的目的都是可以的，和吃饭一样, 可以用叉子也可以用筷子, 最终的结果都是你能吃到饭，那为什么大多数人喜欢用Python呢? 答案: 因为Python写爬虫简单，不理解? 问: 为什么吃米饭不用刀叉? 用筷子? 因为简单! 好用!

而Python是众多编程语言中, 小白上手最快, 语法最简单，而且如果要成为一名python全栈工程师，爬虫这项技能是有必要掌握的，而python有非常多的关于爬虫能用到的第三方支持库. 说直白点儿. 就是你用筷子吃饭, 我还附送你一个佣人. 帮你吃! 这样吃的是不是更爽了. 更容易了~

2.第一个爬虫

爬虫就是我们通过我们写的程序去抓取互联网上的数据资源. 比如, 此时我需要百度的资源. 在不考虑爬虫的情况下, 我们肯定是打开浏览器, 然后输入百度的网址, 紧接着, 我们就能在浏览器上看到百度的内容了. 那换成爬虫呢? 其实道理是一样的. 只不过, 我们需要用代码来模拟一个浏览器, 然后同样的输入百度的网址. 那么我们的程序应该也能拿到百度的内容. 对吧~

在python中, 我们可以直接用urllib模块来完成对浏览器的模拟工作~, 直接上代码

from urllib.request import urlopen

resp = urlopen("http://www.baidu.com")  # 打开 百度
print(resp.read().decode("utf-8"))  # 打印 抓取到的内容

我们可以把抓取到的html内容全部写入到文件中, 然后和原版的百度进行对比, 看看是否一致

from urllib.request import urlopen

resp = urlopen("http://www.baidu.com")  # 打开 百度

# print(resp.read().decode("utf-8"))  # 打印 抓取到的内容

with open("baidu.html", mode="w", encoding="utf-8") as f:  # 创建文件
    f.write(resp.read().decode("utf-8"))  # 保存在文件中

3.web请求的全过程

大家可以去补充一些前端的知识，学习爬虫我们要求的不多，只要能过看懂就可以，话不多说，直接上图~

接下来就是一个比较重要的事情了. 所有的数据都在页面源代码里么?

💡非也~ 完整的页面展示是通过将源代码渲染得到的，而常见的页面渲染有两种

3.1服务器渲染

服务器渲染，你需要的数据直接在页面源代码中就能搜到：

这个最容易理解，也是最简单的，含义呢就是我们在请求到服务器的时候，服务器直接把数据全部写入到html中，我们浏览器就能直接拿到带有数据的html内容，比如：

📖 由于数据是直接写在html中的, 所以我们能看到的数据都在页面源代码中能找的到的. 这种网页一般都相对比较容易就能抓取到页面内容

3.2前端JS渲染

这种就稍显麻烦了，这种机制一般是第一次请求服务器返回一堆HTML框架结构，然后再次请求到真正保存数据的服务器，由这个服务器返回数据，最后在浏览器上对数据进行加载，就像这样:

大多数页面这样做的好处就是可以缓解服务器的压力，就像我们平常访问一些购物页面，都是直奔主题，直接搜索自己想要的东西，虽然JS渲染无法直接获得我们爬取，我们还可以通过浏览器的调试工具。

📖那我们下一步介绍浏览器开发者工具，注意是开发者工具哦，功能也很强大，是我们以后学习的主要工具，当然还有pycharm~

4.浏览器工具

Chrome是一款非常优秀的浏览器. 不仅仅体现在用户使用上. 对于我们开发人员而言也是非常非常好用的.

对于一名爬虫工程师而言. 浏览器是最能直观的看到网页情况以及网页加载内容的地方. 我们可以按下F12来查看一些普通用户很少能使用到的工具.

其中，最重要的Elements，Console，Sources，Network。

4.1Elements

Elements是我们实时的网页内容情况，注意, 很多兄弟尤其到了后期，非常容易混淆Elements以及页面源代码之间的关系，这里我们重点强调一下：

🏷️🏷️

1. 页面源代码是执行js脚本以及用户操作之前的服务器返回给我们最原始的内容
2. Elements中看到的内容是js脚本以及用户操作之后的当时的页面显示效果
3. 一个是写好的，一个是实时的

4.2Console

第二个窗口，Console是用来查看程序员留下的一些打印内容，以及日志内容的，我们可以在这里输入一些js代码自动执行。

4.3Source

第三个窗口, Source, 这里能看到该网页打开时加载的所有内容. 包括页面源代码. 脚本. 样式, 图片等等全部内容.

4.4network（重点）

第四个窗口, Network, 我们一般习惯称呼它为抓包工具. 在这里, 我们能看到当前网页加载的所有网路网络请求, 以及请求的详细内容. 这一点对我们爬虫来说至关重要.

其他更加具体的内容. 随着咱们学习的展开. 会逐一进行讲解.

5.小结

1. 学习了爬虫的主要环境，并用代码模拟浏览器制作的百度页面
2. 掌握浏览器开发者工具