爬虫基本原理 --网络爬虫

爬虫：请求网站并提取数据的自动化程序

一、爬虫基本流程

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。

3. 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。

二、Request与Response

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。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。 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。

三、Request

1.请求方式

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

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。

3.请求头

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

4.请求体

请求时额外携带的数据，如表单提交时的表单数据

四、Response

1.响应状态

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

2.响应头

如内容类型、内容长度、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，如网页HTML、图片二进制数据等

五、抓取的数据类型

1.网页文本

如HTML文档、Json格式文本等

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.其他数据

只要是能请求到的，都能获取

六、解析方式

1.直接处理

2.Json解析

3.正则表达式

4.BeautifulSoup

5.PyQuery

6.Path

七、JavaScript渲染问题

1.分析Ajax请求

2.Selenium/WebDriver

3.Splash

4.PyV8

5.Ghost

八、数据得保存

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、音频等等直接保存成特定格式即可