数据爬虫(一):爬虫的基本原理介绍

版权声明:本文为博主原创文章,未经博主允许不得转载。 https://blog.csdn.net/Byweiker/article/details/79234854

一、什么是爬虫

爬虫:请求网站并提取数据的自动化程序

百科:网络爬虫(又被称为网页蜘蛛,网络机器人,在FOAF社区中间,更经常的称为网页追逐者),是一种按照一定的规则,自动地抓取万维网信息的程序或者脚本。另外一些不常使用的名字还有蚂蚁、自动索引、模拟程序或者蠕虫。

 

二、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。

三、Request和Response

  1. Request: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. Response: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。

四、Request详解

  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

五、Response详解

  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。

六、能抓取哪些数据

  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:同为二进制文件,保存为视频格式即可。
  4. And so on:只要是能请求到的,都能获取。

七、解析方式

  1. 直接处理
  2. Json解析
  3. 正则表达式
  4. BeautifulSoup
  5. PyQuery
  6. XPath

八、抓取中出现的问题

问:为什么我抓到的和浏览器看到的不一样?

答:网页通过浏览器的解析,加载CSS与JS等文件对网页进行解析渲染,达到我们看到绚丽的网页,而我们抓到的文件只是一些代码,css文件无法调用,使得样式不能表现出来,那么网页就会出现错位等等问题。

问:怎样解决JavaScript渲染的问题?

答:分析Ajax请求、Selenium/WebDriver、Splash、PyV8、Ghost.py等库

九、保存数据

  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。

weiker原创,转载附上连接:http://blog.esouti.com/2018_02_02_523.html

备注:关于爬虫的学习是来源于静觅博主崔神的教程,感谢

 

展开阅读全文

没有更多推荐了,返回首页