爬虫基本原理

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。