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。
Request中包含什么?
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
Response中包含什么?
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。
能抓怎样的数据?
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、其他:只要是能请求到的,都能获取。
怎样解析?
1、直接处理
2、Json解析
3、正则表达式
4、BeautifulSoup
5、PyQuery
6、XPath
怎样解决JavaScript渲染的问题?
1、分析Ajax请求
2、Selenium/WebDriver
3、Splash
4、PyV8、Ghost.py
怎样保存数据?
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:如图片、视频、音频等等直接保存成特定格式即可。