爬虫基本原理

什么是爬虫？

　　请求网站并提取数据的自动化程序。

　　请求：用程序实现

　　提取：要从文本提取有用的信息

　　自动化：程序可以一直运行，不断向服务器发起请求

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：如果服务器能正常反应，会得到一个Response，Response的内容就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，可以做保存或进一步的处理。
4. 保存数据：保存形式多样，可以保存为文本，也可保存至数据库，或者保存特定格式的文件。

浏览器如何向服务器请求信息

　　Request：浏览器发送信息给该网址所在的服务器

　　Response：服务器收到浏览器发送的信息后，能够根据浏览器发送消息的内容，做相应的处理，然后把消息回传给浏览器

　　浏览器经过Request和收到服务器的Response之后，会对信息进行相应处理，然后展示。

Request

　　包含四部分：

　　请求方式：主要有GET、POST两种各类型，另外还有HEAD、PUT、DELETE、OPTIONS等

　　请求URL：URL全程统一资源定位符

　　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

　　响应状态：用状态码反应响应状态

　　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HTML、图片二进制数据等

爬虫能抓取怎样的数据：

　　网页文本：HTML文档、Json

　　图片：二进制文件

　　视频：二进制文件

　　其他：只要是能请求到的，都能抓取

解析方式：

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

解决JavaScript渲染的问题：

　　分析Ajax请求

　　Selenium/WebDriver

　　Splash

　　PyV8、Ghost.py

保存数据：

　　文本方式

　　关系型数据库

　　非关系型数据库：key-value方式

　　二进制文件

转载于:https://www.cnblogs.com/betterluo/p/8929777.html