爬虫基本原理

爬虫原理

目录

• 爬虫原理
  • 什么是爬虫？
  • 爬虫的基本流程
    • 1.发起请求
    • 2.获取响应内容
    • 3.解析内容
    • 4.保存数据
  • 什么是Request和Response?
    • Request与Response
    • request中包含什么？
    • Response中包含什么?
  • 能加怎样的数据？
  • 怎样来解析？
  • 保存数据

什么是爬虫？

请求网站并提取数据的自动化程序

爬虫的基本流程

1.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。

2.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⻚⾯内容，类型可能有HTML，Json字符串，⼆进制数据（如图⽚视频）等类型。

3.解析内容

得到的内容可能是HTML，可以⽤正则表达式、⽹⻚解析库进⾏解析。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。

4.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?

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中包含什么？

request：

• 请求方式：主要有GET、POST两种类型，另外还有HEAD、PUT、DELETE、OPTIONS等
• 请求头：包含请求时的头部信息，如User-Agent、Host、Cookies等信息
• 请求url：URL全称统⼀资源定位符，如⼀个⽹⻚⽂档、⼀张图⽚、⼀个视频等都可以⽤URL唯⼀来确定。
• 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中包含什么?

Response：

1. 响应状态：有多种响应状态，如200代表成功、301跳转、404找不到⻚⾯、502服务器错误
2. 响应头：如内容类型、内容⻓度、服务器信息、设置Cookie等等
3. 响应体：最主要的部分，包含了请求资源的内容，如⽹⻚HTML、图⽚⼆进制数据等。

能加怎样的数据？

• 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。

  怎样来解析？

  解析方式：

• 直接处理

• json解析

• 正则表达式

• BeautifulSoup

• PyQuery

• XPath

保存数据

1. 文本：纯⽂本、Json、Xml等。
2. 关系型数据库：如MySQL、Oracle、SQL Server等具有结构化表结构形式存储。
3. 非关系型数据库：如MongoDB、Redis等Key-Value形式存储
4. 二进制文件：如图片、视频等等直接保存为特定格式即可

---