爬虫
定义
请求网站并提取数据的自动化程序
基本流程
- 向服务器发起请求:即发送一个Request,请求可以包含额外的headers等信息,等待服务器的响应
- 获取相应内容:如果服务器正常响应,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、二进制文件(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,可以直接转成JOSN对象进行解析,可能是二进制数据,可以保存或者进一步处理
- 保存内容:保存形式多样,可以保存成文本,也可以保存至数据库,或者保存成特定格式的文件。
Response和Request
- HTTP Request:浏览器就发送消息给该网址所在的服务器的这个过程
- HTTP 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,做相应的处理,然后把消息回传给浏览器的过程
浏览器收到服务器的Response信息后,会对信息进行处理、渲染,然后展示给用户(爬虫没有经过浏览器的处理,所以拿到的就是Response中的数据)
Request包含的内容
- 请求方式
- GET(主要)
- POST(主要)
- HEAD
- PUT
- DELETE
- OPTIONS
请求方式主要有:GET/POST两种类型常用,另外还有HEAD/PUT/DELETE/OPTIONS
GET和POST的区别就是:请求的数据GET是在url中,POST则是存放在头部
GET:向指定的资源发出“显示”请求。使用GET方法应该只用在读取数据,而不应当被用于产生“副作用”的操作中,例如在Web Application中。其中一个原因是GET可能会被网络蜘蛛等随意访问
POST:向指定资源提交数据,请求服务器进行处理(例如提交表单或者上传文件)。数据被包含在请求本文中。这个请求可能会创建新的资源或修改现有资源,或二者皆有。
HEAD:与GET方法一样,都是向服务器发出指定资源的请求。只不过服务器将不传回资源的本文部分。它的好处在于,使用这个方法可以在不必传输全部内容的情况下,就可以获取其中“关于该资源的信息”(元信息或称元数据)。
PUT:向指定资源位置上传其最新内容。
OPTIONS:这个方法可使服务器传回该资源所支持的所有HTTP请求方法。用'*'来代替资源名称,向Web服务器发送OPTIONS请求,可以测试服务器功能是否正常运作。
DELETE:请求服务器删除Request-URI所标识的资源
- 请求URL:URL全称是统一资源定位符,如一个网页文档、一张图片、一个视屏等都可以用URL来唯一确定
- 请求头:包含请求时的头部信息
- User-Agent:访问的浏览器(不加可能会被当成爬虫程序)
- Host:请求主机地址
- Cookies:cookie用来保存登录信息
- Referrer:访问源(一些大型网站,会通过Referrer做防盗链策略)
Response包含的内容
- 响应状态
- 1xx消息:请求已被服务器接受,继续处理
- 2xx成功:请求已成功被服务器接受、理解、并接受
- 3xx重定向:需要后续操作才能完成这一请求
- 4xx请求错误:请求含有此法错误或者无法被执行
- 5xx服务器错误:服务器在处理某个正确请求时发生错误
- 响应头
- 内容类型
- 内容长度
- 服务器信息
- 设置cookies
- 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
解析方式
- 直接处理
- JSON解析
- 正则表达式
- BeautifulSoup
- PyQuery
- XPath
动态JS加载
有时,网页返回是JS动态加载的,直接用请求库访问获取到的是JS代码,不是经过浏览器渲染后的结果
解决方法
- 分析Ajax请求
- Selenium/WebDriver
- Splash
- PyV8、Ghost.py
保存数据
- 文本
- 纯文本
- JSON
- Xml
- 关系型数据库
- MySQL
- Oracle
- SQL Server
- 非关系型数据库
- MongoDB
- Redis
- Key-Value
- 二进制文件:保存成特定格式即可