爬虫的简单介绍

1.爬虫的定义

　　爬虫的定义：向网站发起请求，获取资源后分析并提取有用数据的程序。

　　获取数据的方式：模拟浏览器发送请求-->下载网页代码-->只提取有用的数据-->存放于数据库或文件中

2.爬虫的基本流程

#1、发起请求
　　使用http库向目标站点发起请求，即发送一个Request。
　　Request包含：请求头、请求体等

#2、获取响应内容
　　如果服务器能正常响应，则会得到一个Response。
　　Response包含：html，json，图片，视频等。

#3、解析内容
　　解析html数据：正则表达式，第三方解析库如Beautifulsoup，pyquery等。
　　解析json数据：json模块。
　　解析二进制数据:以b的方式写入文件。

#4、保存数据
　　数据库，文件。

3.请求与响应

#http协议：
    https://www.cnblogs.com/blue-tea/p/11178085.htmll

#Request：
    用户将自己的信息通过浏览器（socket client）发送给服务器（socket server）

#Response:
    服务器接收请求，分析用户发来的请求信息，然后返回数据（返回的数据中可能包含其他链接，如：图片，js，css等）

#ps：浏览器在接收Response后，会解析其内容来显示给用户，而爬虫程序在模拟浏览器发送请求然后接收Response后，是要提取其中的有用数据。

4.Request

#1、请求方式：   
    常用的请求方式：GET，POST，其他请求方式：HEAD，PUT，DELETE，OPTHONS
```
post与get请求最终都会拼接成这种形式：k1=xxx&k2=yyy&k3=zzz
post请求的参数放在请求体内：可用浏览器查看，存放于form data内
get请求的参数直接放在url后
```

#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
```
网页的加载过程是：
　　加载一个网页，通常都是先加载document文档，在解析document文档的时候，遇到链接，则针对超链接发起下载图片的请求.
```

#3、请求头(爬虫时一般要加上)
    User-agent：请求头中如果没有user-agent客户端配置，服务端可能将你当做一个非法用户
    host
    cookies：cookie用来保存登录信息

#4、请求体
    如果是get方式，请求体没有内容。
    如果是post方式，请求体是format，data。
　 　ps: 输入错误的用户名密码，然后提交，就可以看到post，正确登录后页面通常会跳转，无法捕捉到post。=

5. Response

#1、响应状态
    200：代表成功
    301：代表跳转
    404：文件不存在
    403：权限
    502：服务器错误

#2、Respone header
    set-cookie：可能有多个，是来告诉浏览器，把cookie保存下来
    
#3、preview就是网页源代码
    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