爬虫从入门到放弃

网络爬虫，又称为网络蜘蛛（WebSpider），就是把整个互联网想象成一个蜘蛛网，这只爬虫在上面爬来爬去，来捕获我所需要的资源。也就是请求网站并提取数据的自动化过程。

 

 

爬虫的基本流程

简单的来说分为四步

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。

 

Request中包含了哪些？

1、请求方式

主要有GET/POST两种类型

2、请求头

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

3、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

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

 

Response中包含了哪些？

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Cookies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。

 

能抓怎样的数据？

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

二进制文件，保存为视频格式即可。