爬虫基本原理

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？