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
如有侵权,请联系 cloudcommunity@tencent.com 删除。
本文来自企鹅号 - 数据分析员媒体
如有侵权,请联系 cloudcommunity@tencent.com 删除。