3 静态网页爬取①urllib3库实现爬取

3.1 介绍

静态网页

在网站设计中，纯粹HTML（标准通用标记语言下的一个应用）格式的网页通常被称为“静态网页”，静态网页是标准的HTML文件，它的文件扩展名是.htm、.html，可以包含文本、图像、声音、FLASH动画、客户端脚本和ActiveX控件及JAVA小程序等。
静态网页是网站建设的基础，早期的网站一般都是由静态网页制作的。静态网页是相对于动态网页而言，是指没有后台数据库、不含程序和不可交互的网页。

爬虫的基本流程

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。

3.2 使用urllib3库实现爬取

1.生成请求

通过request方法即可创建一个请求，该方法返回一个HTTP响应对象。Reques语法格式如下。
urllib3.request(method,url,fields=None,headers=None,**urlopen_kw)

生成请求

import urllib3
http = urllib3.PoolManager()
rq = http.request('GET', url='http://www.baidu.com')

查看状态信息

print('服务器响应码：', rq.status)
print('响应实体：', rq.data)