爬虫基本原理

目录

一、爬虫的定义

 

 

 

一、爬虫的定义

基本上网：

　　    浏览器提交请求->下载网页代码->解析/渲染成页面。 

爬      虫：

　　　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

两者区别：

　　   我们只是爬取对我们有用的数据

二、爬虫的流程

#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

三、请求

3.1 请求的定义

　　Request：用户将自己的信息(浏览器信息，ip，地址，cookie，请求内容等等)

　　　　　　　　　　　　通过浏览器（socket client）

　　　　　　　发送给服务器（socket server）

3.2请求的组成部分

#1、请求方式：
    常用的请求方式：GET，POST
    其他请求方式：HEAD，PUT，DELETE，OPTHONS

    ps：用浏览器演示get与post的区别，（用登录演示post）

    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

    url编码
    https://www.baidu.com/s?wd=图片
    图片会被编码（看示例代码）


    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
    User-agent：告诉它这是浏览器发过来的请求（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）务必加上
    host
    cookies：cookie用来保存登录信息
    Referer:上次的请求页面，有些网站直接去post的话，会被限制，因为没有带上上次请求的页面地址


    一般做爬虫都会加上请求头


#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

 

四、响应

#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
    Location：跳转
    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