网络爬虫基本原理——基于python语言

什么是爬虫？

请求网站并提取数据的自动化程序

爬虫基本流程

▌发起请求

通过HTTP库向目标站点发起请求，即发起一个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。

什么是Request和Response？

浏览器发送消息给该网址所在的服务器，这个过程叫做HTTP Request

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

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中包含什么？

请求方式

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

GET：请求的参数已经包含在请求的网址上，网页网址栏，url后的一长串信息就是GET的参数；可以直接输入URL回车访问

POST：请求的信息在FORM DATA中；构造表单信息，提交后请求（如登陆）

请求URL

URL全程：统一资源定位符，如一个网页文档、一张图片、一个视频都可以用URL唯一确定

请求头

包含请求时的头部信息，如User-Agent、Host、Cookies等信息；包含一些比较重要的配置信息

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

有多种相应状态，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

程序演示

通过request请求，得到response，判断相应状态，成功获取响应体

可以抓怎样的数据？

网页文本：如HTML文档、Json格式文本等

图片：获取的是二进制文件，保存为图片格式

【示例】

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

怎样来解析

直接处理：网页本身构成简单，返回内容简单，比如可能返回就是一个最简单的字符串，简单处理去除头尾空格即可

Json解析

正则表达式

BeautifulSoup库解析

PyQuery库解析

XPath库解析

为什么抓取数据与获得数据不同？

request只得到源代码（相当于加密过后的）：包括js、jss（js、jss后续加载起来后，后台会获取数据，渲染后才会变成我们看到的网页----我们要的）

怎样解决JavaScript渲染的问题？

分析Ajax请求；

Selenium/webdriver；

Splash；

PyV8、Ghost.py

----------后三个模拟加载JS-------------

怎样保存数据？

▌文本

纯文本、Json、XML

▌关系型数据库

MYSQL、Ocacle、SQL Server

▌非关系型数据库

MongoDB、Redis等Key-Value形式存储

▌二进制文件

图片、视频、音频