爬虫工作原理

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

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，二进制数据等类型。

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，可以直接转为json对象解析，可能是二进制数据，可以做保存或者进一步处理

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，或者特定格式的文件。

什么是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

请求方式

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

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。

请求头

包含请求时的头部信息，如User-Agent、Cookies等信息。

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包含了什么？

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

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容，如网页HTML、图片二进制数据等。

能抓怎样的数据？

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。

怎样来解析？

直接处理

Json解析

正则表达式

BeautifulSoup

PyQuery

XPath

为什么抓到的数据和浏览器看到的不一样？

怎样解决Javascript渲染的问题？

• 分析Ajax请求
• Selenium/WebDriver
• Splash
• PyV8\Ghost.py

怎样保存数据？

文本

纯文本、Json、Xml等

关系型数据库

如MySQL、Oracle、SQL Server等具有结构化表结构形式存储。

非关系型数据库

如MongoDB、Redis等Key-Value形式存储

二进制文件

如图片、视频、音频等直接保存成特定格式即可。