(1)获取网页就是给一个网址发送请求,该网址会返回整个网页的数据。类似于在浏览器中键入网址并按回车键,然后可以看到网站的整个页面。
(2)解析网页就是从整个网页的数据中提取想要的数据。类似于你在页面中想找到产品的价格,价格就是你要提取的数据。
(3)存储数据也很容易理解,就是把数据存储下来。我们可以存储在csv中,也可以存储在数据库中。
三个流程的技术实现
下面列出三个流程的技术实现,括号里是对应的章节。
1.获取网页
获取网页的基础技术:requests、urllib和selenium(3&4)。
获取网页的进阶技术:多进程多线程抓取(8)、登录抓取(12)、突破IP封禁(9)和使用服务器抓取(12)。
2.解析网页
解析网页的基础技术:re正则表达式、BeautifulSoup和lxml(5)。
解析网页的进阶技术:解决中文乱码(10)。
3.存储数据
存储数据的基础技术:存入txt文件和存入csv文件(6)。
存储数据的进阶技术:存入MySQL数据库和MongoDB数据库(6)。