爬虫基本介绍 && python3 爬虫爬取网易新闻排行榜

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

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，等待服务器器响应。
2. 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。
3. 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。
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. 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