爬虫入门到精通-网页的下载

本文章属于爬虫入门到精通系统教程第四讲

在爬虫入门到精通第二讲中，我们了解了HTTP协议

http://mp.weixin.qq.com/s?__biz=MzU2OTAxNTcwMw==&mid=100000021&idx=1&sn=86d3595456c4736d0e2e79bc31ca063f&chksm=7c846ded4bf3e4fb886d6a6cc4a0176569fbb9ce5e8c6276ee02c889dd24606d685c9c6747a2#rd，那么我们现在使用这些协议来快速爬虫吧

本文的目标

当你看完本文后，你应该能爬取（几乎）任何的网页

使用chrome抓包

抓包（packet capture）就是将网络传输发送与接收的数据包进行截获、重发、编辑、转存等操作，也用来检查网络安全。抓包也经常被用来进行数据截取等。

第一个案列：抓取轮子哥的动态（https://www.zhihu.com/people/excited-vczh/activities）

1.打开轮子哥动态这个网页

2.打开抓包工具

点击F12打开开发者工具
点击Network(或者网络)
按F5刷新下页面（主要是让请求重发一次，这样就能抓到包了）

应该会看到如下界面

3.找到我们需要的请求

可以看到如下截图，里面有这么多的请求，那么到底哪一个才是我们需要的呢？

这边提供一个小技巧

当你要抓的包是需要按F5刷新才出来的，一般我们需要的请求都在DOC里面(整个页面有刷新)
当你要抓的包是点击按钮"加载更多"(或者拖到页面最下面会自动加载的,整个页面并没有刷新）一般我们需要的请求都在XHR里面

简单来讲就是如果整个页面没有刷新的话，那就是在XHR里面，否则在DOC里面

因为本次抓包整个页面有刷新，所以，我们需要找的请求在DOC下面，可以看到只有一个请求

4.验证请求是对的

有以下两种方法（基本上用1，因为比较快）

在我们要抓包的页面随便copy出几个字，在Respoinse中使用ctrl+f 查找，如果有找到，说明我们找到的是对的（我查找的是"和微软粉丝谈"）

2.把response中所有的内容复制到一个txt中，并改名为"#.html"(这里的#可以随便取)

然后打开这个html，看看是否和我们要抓的一样

如果发现要找的不对，那你可以打开下一个请求检查下

5.模拟发送

点击Headers

可以看到请求的url是： https://www.https://www.zhihu.com/people/excited-vczh/activities

方法是： GET

requests headers 是（下图中框出来的地方）

所以我们的代码应该是：

import requests# 这里的headers就是我们上图框中的headers
request_headers = { 
'Accept':'text/html,application/xhtml+xml,application/xml;q=0.9,image/webp,*/*;q=0.8',   
'Accept-Encoding':'gzip, deflate, sdch, br','Accept-Language':'zh-CN,zh;q=0.8','Cache-Control':'max-age=0','Connection':'keep-alive','Cookie':'','Host':'www.zhihu.com','Referer':'https://www.zhihu.com/','Upgrade-Insecure-Requests':'1','User-Agent':'Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/55.0.2883.87 Safari/537.36'
}
#上图中的url
url = "https://www.zhihu.com/people/excited-vczh/activities"
# 上图中的请求方法（get）
z = requests.get(url,headers=request_headers)
print z.content

这段代码简单来说就是把我们抓包看到的用程序来实现

一个小总结

我们爬取一个网页的步骤可以分为如下：