【爬虫学习-02】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

基本流程

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Header等信息，等待服务器响应。

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，Hson字符串，二进制数据（如图片视频）等类型。

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。可能是二进制数据，可以做保存或者进一步的处理。

保存数据：保存形式多样，可以保存为文本，也可以保存至数据库，或者保存特定格式的文件。

Request

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

请求URL：URL全称统一资源定位符，如一个网页文档、一张图片、一个视频都可以用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，如提交表单数据。

 

Response

响应状态：有多种状态，如200代表成功、301代表跳转、404找不到网页、502服务器错误。

响应头：如服务类型、内容长度、服务器信息、设置Cookies等等。

响应体：最主要的部分，包含了请求资源的内容，如网页的HTML、图片二进制数据等。

 

能抓什么样的数据？

1. 网页文本

2. 图片（二进制）

3. 视频（同为二进制文件，保存为视频格式即可）

4. 其他 只要是能请求到的，都能获取

 

怎样解析？

1. 直接处理

2. JSON解析

3. 正则表达式

4. BeautifulSoup

5. PyQuery

6. XPath

 

解决Js的渲染问题

1. 分析Ajax请求

2. Selenium/Webdriver

在使用Requests包时，我们这样只能显示原本的HTML代码：

import requests
#请求微博
response = requests.get("https://m.weibo.com/")
response.text

但是使用Selenium下的webdriver.page_source就可以将最终的网页渲染代码提取出来，代码如下：

from selenium import webdriver
driver = webdriver.Chrome()
driver.get("http://m.weibo.com")
driver.page_source

3. splash

4. Pyv8、ghost.py

 

怎样保存数据

1. 文本

2. 关系型数据库

3. 非关系型数据库

4. 二进制文件