Day1爬虫原理

爬虫基本流程

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的内容便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（如图片类型）等类型。

解析内容

得到的内容可能是HTML，可以用正则表达式、网页解析库进行解析。可能是Json，可以直接转为Json对象解析，可能是二进制数据，可以做保存或者进一步的处理。

保存数据

保存形式多样，可以存为文本，也可以保存至数据库，或者保存特定格式的文件。

Request

请求方式

主要有GET，POST两种类型。另外还有HEAD、PUT、DELETE、OPTIONS等。

请求URL

URL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。

请求体

请求时额外携带的数据，如表单提交时的表单数据。

Response

响应状态

有多种响应状态，如200：成功 、 301：跳转、 404：找不到页面、 502服务器错误

响应头

如内容类型、内容长度、服务器信息、设置Cookie等等。

相应体

最主要的部分，包含了请求资源的内容，如网页HTML、图片二进制数据等。

能抓到怎样的数据?

• 网页文本 如HTML文档，Json格式文本等。
• 图片 获取到的是二进制文件，保存为图片格式。
• 视频 同为二进制文件，保存为视频格式即可。
• 其它 只要是能请求到的，都能获取。

解析方式

1. 直接处理
2. Json解析
3. 正则表达式
4. BeautifulSoup
5. PyQuery
6. XPath

怎样解决JavaScripy渲染的问题?

• 分析Ajax请求
• Selenium/WebDriver
• Splash
• PyV8、Ghost.py

怎样来保存数据？

• 文本 纯文本、Json、Xml等
• 关系型数据库 如MySQL、Oracle、SQL Server等具有结构化表结构形式存储
• 非关系型数据库 如MongoDB、Redis等Key-Value形实存储
• 二进制文件 如图片、视频、音频等等直接保存成特定格式即可