python3 2018分布式爬虫教程 -2 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

（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。

3.request 和 response

（1）request

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

request的请求方式：主要有GET、POST两种类型，另外还有 HEAD、PUT、DELETE、OPTIONS等。

request包含url、请求头、请求体

url：URL全称统⼀资源定位符，如⼀个⽹⻚⽂档、 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。

（2）response
           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

response中包含：响应状态、响应头、响应体

响应状态：有多种响应状态，如 200代表成功、301 跳转、404找不到⻚ ⾯、502服务器错误。

响应头：如内容类型、内容⻓ 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， 如⽹⻚HTML、图⽚ ⼆进制数据等。

4.数据的解析方式

（1）直接处理

（2）json解析

（3）正则表达式

（4）xpath

5.解决JavaScript渲染问题的方法

（1）分析Ajax请求

（2）Selenium/WebDriver

（3）Splash

（4）PyV8、Ghost.py

6.保存数据的方式

（1）⽂本类型：纯⽂本、Json、Xml等。

（2）关系型数据库：如MySQL、Oracle、SQL Server

（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。