爬虫之旅(1)——爬虫的基本原理

发起请求

通过HTTP库向目标站点发起请求,即发送一个Requestrian,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(如图片视频)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,可以做保存或进一步的处理。

保存数据

保存形式多样,可以是文本也可以保存至数据库或者保存特定格式的文件

Request与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,会对信息进行相应处理,然后展示。

Request包含什么?

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包含什么?

响应状态

有多种响应状态,如200代表成功、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。

响应体

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。

能抓取怎样的数据

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

实例:复制图片的Request URL:https://www.baidu.com/img/baidu_jgylogo3.gif

response= requests.get(‘https://www.baidu.com/img/baidu_jgylogo3.gif’)

print(response.content)#获取响应体的二进制格式

withopen(‘d:/python/1.gif’,’wb’) as f:

f.write(response.content)

f.cLose() #生成文件

视频:同为二进制文件,保存为视频格式即可

其他:只要是能请求到的,都能获取

怎么样来解析?

直接处理

Json解析

正则表达式

BeautifulSoup

PyQuery

XPath

为什么我抓到的的和浏览器看到的不一样?

因为很多要通过JS文件渲染开来

怎样解决JavaScript渲染的问题?

(1)分析Ajax请求

(2)Selenium/WebDriver

得到与网页element相同的源代码

(3)Splash

(4)PyV8、Ghost.py

怎样保存数据

文本:纯文本、Json、Xml等

关系型数据库:如MySQL、Qracle、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形式存储

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

  • 发表于:
  • 原文链接https://kuaibao.qq.com/s/20181110G0QXAI00?refer=cp_1026
  • 腾讯「云+社区」是腾讯内容开放平台帐号(企鹅号)传播渠道之一,根据《腾讯内容开放平台服务协议》转载发布内容。

扫码关注云+社区

领取腾讯云代金券