python爬虫基础（一） 爬虫过程

链接：https://cuiqingcai.com/927.html
（原博本使用python版本为2.*，本人使用的版本为3anaconda 3.5.3）

1、爬虫基本流程：

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

2、Request和Response：

1.Request：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。
2.Response: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、Request详解：

1.请求方式：主要有GET、POST两种类型，另外还有HEAD、PUT、DELETE、OPTIONS等。
2.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。
3.请求头：包含请求时的头部信息，如User-Agent、Host、Cookies等信息。
4.请求体：请求时额外携带的数据如表单提交时的表单数据

4、Response详解：

1.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
2.响应头：如内容类型、内容长度、服务器信息、设置Cookie等等。
3.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。

5、抓取到的数据：

1.网页文本:如HTML文档、Json格式文本等。
2.图片:获取到的是二进制文件，保存为图片格式。
3.视频:同为二进制文件，保存为视频格式即可。
4.And so on:只要是能请求到的，都能获取。

6、解析方式：

1.直接处理
2.Json解析
3.正则表达式
4.BeautifulSoup
5.PyQuery
6.XPath

7、抓取中出现的问题：

1.问：为什么我抓到的和浏览器看到的不一样？

答：网页通过浏览器的解析，加载CSS与JS等文件对网页进行解析渲染，达到我们看到绚丽的网页，而我们抓到的文件只是一些代码，css文件无法调用，使得样式不能表现出来，那么网页就会出现错位等等问题。

2.问：怎样解决JavaScript渲染的问题？

答：分析Ajax请求、Selenium/WebDriver、Splash、PyV8、Ghost.py等库

8、保存数据：

1.文本：纯文本、Json、Xml等。
2.关系型数据库：如MySQL、Oracle、SQL Server等具有结构化表结构形式存储。
3.非关系型数据库：如MongoDB、Redis等Key-Value形式存储。
4.二进制文件：
5.如图片、视频、音频等等直接保存成特定格式即可

其他:

数据传送分为POST和GET两种方式，两种方式有什么区别呢？

最重要的区别是GET方式是直接以链接形式访问，链接中包含了所有的参数，当然如果包含了密码的话是一种不安全的选择，不过你可以直观地看到自己提交了什么内容。POST则不会在网址上显示所有的参数，不过如果你想直接查看提交了什么就不太方便了，大家可以酌情选择。