一.什么是爬虫?
请求网站并提取数据的自动化程序
二.爬虫的基本流程?
1.发起请求
通过HTTP库向⽬目标站点发起请求,即发送一个Request,请求可以包含额外的headers等信息,等待服务器器响应。
2.获取响应内容
如果服务器器能正常响应,会得到一个Response,Response的内容便便是所要获取的⻚页⾯面内容,类型可能有HTML,Json字符串串,二进制数据(如图⽚片视频)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、网页解析库进⾏行行解析。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。
三.什么是Request和Response?
(1)浏览器器就发送消息给该网址所在的服务器器,这个过程叫做HTTP Request
(2)服务器器收到浏览器器发送的消息后,能够根据浏览器器发送消息的内容,做相应处理理,然后把消息回传给浏
览器器。这个过程叫做HTTP Response。
(3)浏览器器收到服务器器的Response信息后,会对信息进行行相应处理理,然后展示。
四.Request中包含什什么?
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,如一个网⻚页文档、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。
五.Response中包含什什么?
响应状态:有多种响应状态,如200代表成功、301跳转、404找不不到页面、502服务器器错误。
响应头:如内容类型、内容长度、服务器器信息、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。
六. 能抓怎样的数据?
网页文本:如HTML文档、Json格式文本等。
图片:获取到的是二进制文件,保存为图片格式。
视频:同为二进制文件,保存为视频格式即可。
其他:只要是能请求到的,都能获取。
七.怎样来解析?
八.为什么我抓到的和浏览器看到的不一样?怎样解决JavaScript渲染的问题?
九.可以怎样保存数据?