爬虫基本原理讲解

之前分享了许多Python网络爬虫的教程文章，可是没有系统的和更加深入的开始学习。此篇文章将开启AI悦创爬虫教程系统学习及其进阶的爬虫教程欢迎各位关注！

1. 什么是爬虫？

当今最大的网络是互联网，最大的爬虫就是各类搜索引擎，包括谷歌、百度等。网络爬虫就是按照一定规则去爬取人类所需要的信息的程序，主要通过对URL的请求来实现。一般来说，从搜索引擎这类爬虫搜索到的信息是非常宽泛的，而且夹杂着各种广告，信息是不纯粹的，也有可能不是我们需要的。这种时候，就需要一些聚焦于某一方面信息的爬虫来为我们服务，比方说，专门爬取某一类书籍的信息，在网站上浏览的时候，可能会有形形色色的图片和一些其他信息干扰我们，如果编写网络爬虫的话，就可以单单把自己想要的信息存储下来，以便数据分析，提取有用的信息。

总而言之：爬虫是请求网站并提取数据的自动化程序

2.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。

下面给出图片的形式，方便同学们做笔记：

3.什么是 Request 和 Response?

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HTTPRequest。

（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HTTPResponse。

（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 中包含什么？

（1）请求方式

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

（2）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。

（3）请求头

包含请求时的头部信息，如User-Agent、Host、Cookies等信息。

（4）请求体

请求时额外携带的数据

如表单提交时的表单数据

也为了方便同学笔记：

4.Response 中包含什么？

Response

5.能抓怎样的数据？

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。

其他：只要是能请求到的，都能获取。

6.怎样来解析？

解析方式

7.为什么我抓到的和浏览器看到的不一样？

有些网站是用动态加载的，例如：Ajax、JavaScript等方法进行渲染；

所以，我们看到的页面是经过渲染的页面，而我们用库直接发送的url请求是未经过渲染的代码，有许多调用JavaScript的代码。

8.怎样解决 JavaScript 渲染的问题？

分析Ajax请求

Selenium/WebDriver

Splash ：

官方文档：https://splash.readthedocs.io/en/stable/

GitHub：https://github.com/scrapinghub/splash

PyV8、Ghost.py

9.可以怎样保存数据？

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。

最后聊一句：现在的网络爬虫大体可以分为四类：全网爬虫，主题爬虫，增量式爬虫和深层爬虫。

下一篇，我将继续带你了解爬虫一些理解与形式！