什么是爬虫:
- 请求网站并提取数据的自动化程序
爬虫基本流程:
发起请求:
通过Http库向目标站点发起请求,即发送一个Request,请求包括额外的headers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,Json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。
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。
Request和Response(请求和响应)
Request
Method请求方式
请求方法主要为两种Post,Get
主要差别:Get的请求信息在地址上,Post的请求信息在form-data
Get:请求参数全部在url后面,可以直接在url后面添加信息访问新地址
Post:请求信息在Form Data,需要构造表单,表单提交才可以post提交
请求URL
URL全称统一资源定位符,如一个网页文档、一张图片、一个视频等都可以用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表单提交时的表单数据
Response
响应状态
有多种响应状态,如200代表成功、301跳转、404找不到页面、502服务器错误
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,如网页HTML、图片二进制数据等。
能抓什么数据
网页文本,图片,视频等要是能请求到的,都能获取。
解析
- 直接处理
- Json解析
- 正则表达式
- BeautifulSoup
- PyQuery
- Xpath
为什么我抓到的和浏览器看到的不一样?
因为爬虫爬取的数据是Js没有渲染的数据,而浏览器中看到的是JS完成渲染后的数据。
解决Js渲染问题
- 分析Ajax请求
- Selenium/WebDriver
- 采用自动化测试工具,用Selenium来解析Js,相当于浏览器
- Splash
- PyV8、Ghost.py
保存数据
- 文本
- 关系型数据库
- 非关系型数据库
- 二进制文件
爬虫相关
- 请求
- urllib
- requests
- 解析
- 正则
- BeautifulSoup
- PyQuery(JQuery语法)
- xpath
- JavaScript渲染问题
- Selenium/WebDriver
- 框架
- PySpider
- Scrapy
- 请求
爬虫从头学之爬虫基本原理
最新推荐文章于 2022-10-14 20:41:00 发布