爬虫（一）：基本原理

一：什么是爬虫

请求网站并提取数据的自动化程序。

二：爬虫基本流程

a.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，等服务器响应。

b.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。

c.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，可以直接转换为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。

d.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。

 

三：什么是Requests、Response？

（1）：浏览器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。

 

四：Request包含哪些？

a、请求方式

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

b、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。

c、请求头

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

d、请求体

　　请求时额外携带的数据如表单提交时的表单数据。

 

五：Response中包含什么？

a、响应状态

　　有多种响应状态，如200代表成功、301跳转、404找不到页面、502服务器错误。

b、响应头

　　如内容类型、内容长度、服务器信息、设置Cookie等等。

c、响应体

　　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。

 

 六：能抓取怎样的数据：

1、网页文本：如：HTML文档，json格式文本。

2、图片：获取到的是二进制文件，保存为图片格式。

3、视频：同为二进制文件，保存为视频格式即可。

4、其他：只要能请求到的，都能获取。

 

七：解析方式：

1、直接处理。

2、json解析

3、正则表达式

4、pyquery

5、xpath

6、beautifulsoup

 

八：如何解决JavaScript渲染问题？

1、分析Ajax

2、Selenium/WebDriver

3、Splash

4、pyV8、Ghost.py

 

保九：存数据：

1、文本：纯文本，Json，xml

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、音频等直接存成特定格式即可。