Python爬虫基本原理

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

• 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

  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。

• 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，或者保存特定格式的文件。

3. 什么是Request和Response

4. Request中包含什么

• 请求方式

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

  1. GET：请求的参数全都包含在请求的网址中。直接输入链接即可访问。
  2. POST：与GET不同，请求的信息封装了，包含在Formdata中。需要构造表单，然后点击提交。

• 请求URl

  URL全称统一资源定位符，入一个网页文档、一张图片、一个视频等都可以用URL唯一来确定。

• 请求头Headers

  包含请求时的头部文件，包含了很重要配置信息，如User_Agent、Host、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。一般GET请求无需请求体，POST请求则需要请求体。

5. Response中包含什么

• 响应状态status_code

  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headers

  如内容类型、内容长度、服务器信息、设置Cookie等等。键值对的形式。

• 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。

6. 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。

  //example 保存了一个图片
  import requests
  response = requests.get('https://www.baidu.com/img/baidu_jgylogo3.gif')
  print(response.content)
  with open('C:/Users/Administrator/Desktop/1.gif', 'wb') as f:
    f.write(response.content)

• 视频

  同为二进制文件，保存为视频格式即可。

• 其它

7. 怎样进行网页的解析

• 解析方式

  1. 直接处理
  2. Json解析（Ajax）
  3. 正则表达式
  4. BeautifulSoap
  5. PyQuery
  6. XPath

• 为什么抓到的和浏览器看到的不一样

  因为抓到的结果里面有很多js文件，里面包含的网页中内容的请求。浏览器则是把所有js加载完毕后才显示出来的。

8. 怎样解决JavaScript渲染的问题

• 分析Ajax请求
• Selenium/WebDriver （模拟渲染）
• Splash（同上）
• PyV8、Ghost.py

9. 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、音频等等直接保存成特定格式即可。