2021-03-06

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)]

1. 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。
2. 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。
3. 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