1、什么是爬虫?
请求网站并提取数据的自动化程序
2、爬虫的基本流程
请求(request)、相应(response)、解析内容、保存数据
3、Request和Response
(1)浏览器发送消息给网址所在的服务器,这个过程叫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,做相应处理,然后把消息回传给浏览器。这个过程叫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
4、Request中包含什么?
(1)请求方式:主要有GET\POST两种类型,另外还有HEAD\PUT\DELETE\OPTIONS等不太常用的类型
(2)请求URL:URL即统一资源定位符,一个网页文档、一个图片、一个视频都可以用URL来表示
(3)请求头:包含请求时的头部信息,如User-Agent\Host\Cookies等信息
(4)请求体:请求时额外携带的数据,如表单提交时候的表单数据,POST类型的请求也存放在请求体中
5、Response中包含什么?
(1)响应状态:状态码200表示成功,300以上一般是跳转,404找不到页面,502服务器错误
(2)响应头:如内容类型、内容长度、服务器信息、设置Cookie等
(3)响应体:如网页源代码等
6、能抓怎样的数据?
(1)网页文本:HTML,JSON等
(2)图片、视频:获取的是二进制文件,保存为图片格式即可
import requests
response = requests.get('https://www.baidu.com/img/baidu_resultlogo@2.png')
with open('1.gif','wb') as f:
f.write(response.content)
f.close()
(3)其他:只要是能请求到的,都能够抓取
7、怎样来解析?
(1)直接处理
(2)JSON解析
(3)正则表达式
(4)BeautifulSoup\PyQuery\XPath等好用的解析库
8、为什么我抓到的数据和浏览器看到的不一样?
在浏览器中看到的大多页面都是经过JS文件渲染之后的,与最初请求的网页源代码不同
9、怎样解决JavaScript渲染的问题?
(1)分析Ajax请求
(2)使用Selenium\WebDriver这些自动化测试模块模拟浏览器操作
(3)Splash
(4)PyV8等
10、怎样保存数据?
(1)纯文本
(2)关系型和非关系型数据库:MongoDB\MySQL等
(3)二进制文件:如图片视频等文件