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。