网络爬虫基础流程

 

 

 

1.发起请求

      通过HTTP库向目标站点发起请求，也就是发送一个Request，请求可以包含额外的header等信息，等待服务器响应。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，类型可能是HTML,Json字符串，二进制数据（图片或者视频）等类型。

      基于Urllib的Requests库：主要有：GET/POST两种类型常用，另外还有HEAD/PUT/DELETE/OPTIONS

 

2.解析内容

      得到的内容可能是HTML,可以用正则表达式，页面解析库进行解析，可能是Json,可以直接转换为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。

解析方法：

 

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

 

3.保存数据

      保存形式多样，可以存为文本，也可以保存到数据库，或者保存特定格式的文件。

保存方式：

 

文本：纯文本，excel， Json, Xml等

关系型数据库：如mysql, oracle, sql server等结构化数据库

非关系型数据库：MongoDB, Redis等key-value形式存储