专栏首页编程爬虫基本原理完全梳理及常用解析方式

爬虫基本原理完全梳理及常用解析方式

什么是爬虫:即网络爬虫,可以理解为在网络上爬行的一只蜘蛛,互联网可以比喻为一张大网,一只蜘蛛在爬行时遇到了所需的资源就可以把它爬取下来。简单来说,爬虫就是请求网络并提取数据的自动化程序。

基本流程

发起请求:通过HTTP库向目标站点发起请求,即发送一个Request,请求可以包含额外的headers等信息,等待服务器响应。

获取响应内容:如果服务器能正常响应,会得到一个Response,Response的内容是所要获取的页面内容,类型可能有HTML,Json字符串,二进制数据(例如图片视频)等类型

解析内容:得到的内容是HTML,可以用正则表达式、网页解析库进行解析。Json,可以直接转化外Json对象解析。二进制数据,可以保存或者进一步处理(例如利用解析库转化为图片保存到本地)。

保存数据:结构化存储。保存形式多样,可以存为文本,也可以保存至数据库,或者保存特定格式文件。

Request和Response

1)浏览器就发送消息给该网址所在的服务器,这个过程叫做HTTP Request。

2)服务器收到浏览器发送的消息后,能够根据浏览器发送消息的内容,做相应的处理,然后把消息回传给浏览器。这个过程叫做HTTP Response

3)浏览器收到服务器的Response信息后,会对信息进行相应的处理,然后展示。

Request包含:

请求方式:主要GET、POST两种类型,另外还有HEAD、PUT、DELETE、OPTIONS等

POST构造表单,提交表单。GET在URL传参数

请求URL:URL(Uniform Resource Locator)全称统一资源定位符,如一个网页文档、一张图片、一个视频等都可以用URL唯一来确定

请求头:包含请求时的头部信息,如User-Agent、Host、Cookies等信息。保证可以正常合法访问页面

请求体:(POST方式)请求时额外携带的数据,如表单提交时的表单数据

Response包含:

响应状态:有多种响应状态,如200访问成功、301跳转、404找不到页面、500服务器错误等

响应头:如内容类型、内容长度、服务器信息、设置Cookie等等

响应体:最主要的部分,包含了请求资源的内,如网页的HTML、图片、二进制数据等信息

解析方式

直接处理:如果网页的格式和内容比较简单,取下来的数据就是简单的字符串,简单处理即可。

Json解析:有些网页通过Ajax来加载,所以可以通过字符串解析转化为Json对象来解析。

正则表达式:规则字符串把HTML中代码的相应文本提取出来,这种最常用。

BeautifulSoup、PyQuery、XPath具体使用看怎么方便怎么使用。

本文来自企鹅号 - 数据分析员媒体

我来说两句

0 条评论
登录 后参与评论

相关文章

  • 关于服务器的运行寿命 你应该知道这些事

    服务器是一种全年365天不间断开机运行的设备,且其配置一般都比较高的,但即使配置再高,它也只是一种电子设备,所以也是有使用寿命的。为了延长服务器的使用寿命,很多...

    企鹅号小编
  • 中国香港服务器与大陆服务器有什么区别

    随着国家对国内互联网环境的整治,国内的网络环境也变得越来越安全、干净。同时也给很多企业和站长建站时提出了更多的要求,除了内容上限制的更多,备案也成为了业内褒贬不...

    企鹅号小编
  • 什么是Serverless无服务器架构?

    Serverless不代表再也不需要服务器了,而是说:开发者再也不用过多考虑服务器的问题,计算资源作为服务而不是服务器的概念出现。Serverless是一种构建...

    企鹅号小编
  • 责任链模式(Chain of Responsibility)

    Avoid coupling the sender of a request to its receiver by giving more than one o...

    刘开心_1266679
  • 复旦大学Ph.D沈志强:用于目标检测的DSOD模型(ICCV 2017) | 分享总结

    目标检测作为一个基础的计算机视觉任务,在自动驾驶、视频监控等领域拥有非常广泛的应用前景。目前主流的目标检测方法都严重依赖于在大规模数据集(如ImageNet)上...

    AI研习社
  • AMD and CMD are dead之js模块化黑魔法

    在2013-03-06 13:58的时候,曾甩下一片文章叫:《为什么不使用requirejs和seajs》,并放下豪言说发布一款完美的模块化库,再后来就把那篇文...

    IMWeb前端团队
  • AMD and CMD are dead之js模块化黑魔法

    缘由 在2013-03-06 13:58的时候,曾甩下一片文章叫:《为什么不使用requirejs和seajs》,并放下豪言说发布一款完美的模块化库,再后来就把...

    IMWeb前端团队
  • 张雨石:Adam - 大规模分布式机器学习框架

    用户1737318
  • spark save parquet in impala dir not support add columns

    1.问题: 项目中使用 spark save parquet 到 impala( impala 为分区表 ) 的目录下面,然后在 impala 中添加字段,报...

    shengjk1
  • Swift入门:可选链

    有时使用可选类型会感到有些笨拙,并且所有解包和检查工作都变得如此繁重,以至于您可能会想起一些感叹号来强制展开内容,以便继续工作。但是请注意:如果您强制拆开没有值...

    韦弦zhy

扫码关注云+社区

领取腾讯云代金券