python爬虫学习笔记（二）——基础篇之爬虫基本原理

1.什么是爬虫？

　　请求网站并提取数据的自动化程序

2.爬虫基本流程

　2.1发起请求

　　通过HTTP库向目标站点发起请求，即发起一个Request，请求可以包含额外的headers等信息，等待服务器响应；

　2.2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；

　2.3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。

　2.4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。

3.什么是Request和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 。

　3.1request中包含什么？

　　3.1.1请求方式

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

• 　　GET：请求的参数已经包含在请求的网址上，网页网址栏，url后的一长串信息就是GET的参数；可以直接输入URL回车访问
• 　　POST：请求的信息在FORM DATA中；构造表单信息，提交后请求（如登陆）

　　3.1.2请求URL

　　　URL全程：统一资源定位符，如一个网页文档、一张图片、一个视频都可以用URL唯一确定

　　3.1.3请求头

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

　　　包含一些比较重要的配置信息

　　3.1.4请求体

　　　请求时额外携带的数据，如表单提交时的表单数据

　3.2.Response

　　3.2.1响应状态

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

　　3.2.2响应头

　　　如内容类型、内容长度、服务器信息、设置cookie等等

　　3.2.3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

　3.3程序演示

　　　通过request请求，得到response，判断相应状态，成功获取响应体 

import requests
 
response=requests.get('http://www.baidu.com')
if response.status_code==200:#成功
    re_text=response.text
    re_head=response.headers
    print(re_text.encode(encoding='utf-8'))#响应体，这里注意编码
    print(re_head)#响应头

 

4.可以抓怎样的数据？

　网页文本

　　　如HTML文档、Json格式文本等

　图片

　　　获取的是二进制文件，保存为图片格式

　　【示例】

1 #requset获取
import requests
response=requests.get('https://www.baidu.com/img/bd_logo1.png')
#print(response.content)
 
with open('baidu.png','wb')asf:
    f.write(response.content)
    f.close()

 

　视频

　　　同为二进制文件，保存为视频格式即可

　其他

　　　只要是能请求到的，都能获取

5.怎样来解析

• 　　直接处理

　　　　　　网页本身构成简单，返回内容简单，比如可能返回就是一个最简单的字符串，简单处理去除头尾空格即可

• 　　Json解析

• 　　正则表达式

• 　　BeautifulSoup库解析

• 　　PyQuery库解析

• 　　XPath库解析

6.为什么抓取数据与获得数据不同？

　　request只得到源代码（相当于加密过后的）：包括js、jss

　　　　js、jss后续加载起来后，后台会获取数据，渲染后才会变成我们看到的网页----我们要获取的

7.怎样解决JavaScript渲染的问题？

• 　　分析Ajax请求；

• 　　Selenium/webdriver；

• 　　Splash；                           ----------后三个模拟加载JS

• 　　PyV8、Ghost.py

8.怎样保存数据？

　　文本

　　　　纯文本、Json、XML

　　关系型数据库

　　　　MYSQL、Ocacle、SQL Server

　　非关系型数据库

　　　　MongoDB、Redis等Key-Value形式存储

　　二进制文件

　　　　图片、视频、音频