关于新手对于爬虫的困惑详解
请求网站并提取数据的自动化程序😃
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,请求可以包括额外的headers等信息,等待服务器响应。
- 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
- 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,也可以直接转为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
- 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。
什么是Request和Response?
[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-XqxWWwtg-1615018481275)(https://s3-us-west-2.amazonaws.com/secure.notion-static.com/4f7185a7-ce9a-47c9-bbb5-d3dd05fea6f8/Untitled.png)]
- 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,做出相应处理,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。
Request中包含了什么?
- 请求方式
主要有GET、POST两种类型,另外还有HEAD、PUT、DELETE、OPTION等
- 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
- 请求头
包含请求时的头部信息、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
Response中包含了什么?
- 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
- 响应头
如内容类型、内容长度、服务器信息、设置Cookie等等。
- 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?
- 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
- 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
解析方式
- 直接处理
- Json解析
- 正则表达式
- BeautifulSoup
- PyQuery
- XPath
webdriver.chrome()
疑惑:为什么抓到的和浏览器看到的不一样?
- 怎样解决JavaScript渲染的问题?
- 分析Ajax请求
- Selenium/WebDriver
- Splash
- PyV8、Ghost.py
怎样保存数据?
- 文本
纯文本,Json,Xml
- 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