Python爬虫第一课：初试爬虫

最新推荐文章于 2024-07-17 09:15:39 发布

knightchan

最新推荐文章于 2024-07-17 09:15:39 发布

阅读量175

点赞数

分类专栏：爬虫基础文章标签： python 数据库

本文链接：https://blog.csdn.net/weixin_39136905/article/details/108502075

版权

8 篇文章 1 订阅

订阅专栏

模拟浏览器打开网页，获取网页中我们想要的那部分数据

浏览器打开网页的过程：
当你在浏览器中输入地址后，经过DNS服务器找到服务器主机，向服务器发送一个请求，服务器经过解析后发送给用户浏览器结果，包括html,js,css等文件内容，浏览器解析出来最后呈现给用户在浏览器上看到的结果

所以用户看到的浏览器的结果就是由HTML代码构成的，我们爬虫就是为了获取这些内容，通过分析和过滤html代码，从中获取我们想要资源（文本，图片，视频…）

发起请求
通过HTTP库向目标站点发起请求，也就是发送一个Request，请求可以包含额外的header等信息，等待服务器响应
如我们向百度发送一个Request，大家可以试着用Chrome浏览器右键检查，或者快捷键F12-》network查看
在这里插入图片描述

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，类型可能是HTML,Json字符串，二进制数据（图片或者视频）等类型
如图：
在这里插入图片描述

解析内容
得到的内容可能是HTML,可以用正则表达式，页面解析库进行解析，可能是Json,可以直接转换为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

保存数据
保存形式多样，可以存为文本，也可以保存到数据库，或者保存特定格式的文件。
这是我们爬虫的基本流程，如果想了解什么是request和response，请看内容：
Python爬虫之request和response

能爬取什么样的数据

如何解析数据

关于抓取的页面数据和浏览器里看到的不一样的问题
出现这种情况是因为，很多网站中的数据都是通过js，ajax动态加载的，所以直接通过get请求获取的页面和浏览器显示的不同。

如何解决js渲染的问题？

怎样保存数据

接下来我们试试一个简单的demo：

import urllib.request

response = urllib.request.urlopen('http://www.baidu.com')
print(response.read().decode('utf-8'))

大家看看会发现什么？

关注