_IsWdZh

随手记录学习经历,有错误还望多多指正

爬虫原理的解析


什么是爬虫

爬虫:即请求网站并提取数据的自动化程序。

基本流程

  • 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。

  • 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。

  • 解析内容:得到的内容可能是HTML,可以用正则表达式、网页解析库进行分析。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。

  • 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。

什么是Request和Response

  1. 浏览器发送消息给该网站所在的服务器,这个过程叫做HTTP Request。

  2. 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。

  3. 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。

Request中包含什么?

  • 请求方式:主要有GET、POST两种类型,另外还有HEAD、PUT、DELETE、OPTIONS等。

  • **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。

  • 请求头:包含请求时的头部信息,如User-Agent、Host、Cookies等信息。

  • 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?

  • 响应状态:有多种响应状态,如200代表成功,301代表跳转,404找不到页面,502服务器错误。

  • 响应头:如内容类型、内容长度、服务器信息、设置Cookie等等。

  • 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

怎样来解析

  1. 直接处理

  2. Json解析

  3. 正则表达式

  4. BeautifulSoup

  5. PyQuery

  6. Xpath

抓到的数据和看到的不一样

怎样解决JavaScript渲染的问题

  • 分析Ajax请求

  • Selenium/WebDriver

  • Splash

  • 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、音频等直接保存成特定格式即可。
阅读更多
个人分类: Python 爬虫
想对作者说点什么? 我来说一句

网络爬虫解析

2017年11月08日 48.93MB 下载

没有更多推荐了,返回首页

加入CSDN,享受更精准的内容推荐,与500万程序员共同成长!
关闭
关闭