爬虫基本介绍
1. 什么是爬虫?
爬虫是请求⽹网站并提取数据的⾃自动化程序
2. 爬虫的基本流程
- 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headers等信息,等待服务器器响应。 - 解析内容
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。 - 获取响应内容
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。
3. 什么是Request和Response?
- 浏览器就发送消息给该网址所在的服务器,这个过程叫做HTTP Request。
- 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。这个过程叫做HTTP Response。
- 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。
3.1 Request中包含什么?
- 请求方式:主要有GET、POST两种类型,另外还有HEAD、PUT、DELETE、OPTIONS等。
- 请求头:包含请求时的头部信息,如User-Agent、Host、Cookies等信息。
- 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。
- 请求体:请求时额外携带的数据如表单提交时的表单数据
3.2 Response中包含什么?
- 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