爬虫基本原理完全梳理及常用解析方式

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。

  • 发表于:
  • 原文链接http://kuaibao.qq.com/s/20180101A0BMCJ00?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