爬虫基本原理 --网络爬虫

想念式感情

爬虫：请求网站并提取数据的自动化程序
一、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。
二、Request与Response
浏览器发送消息给该网址所在的服务器，这个过程叫做HTTP Request。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。 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。
三、Request
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
四、Response
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
五、抓取的数据类型
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.其他数据
只要是能请求到的，都能获取
六、解析方式
1.直接处理
2.Json解析
3.正则表达式
4.BeautifulSoup
5.PyQuery
6.Path
七、JavaScript渲染问题
1.分析Ajax请求
2.Selenium/WebDriver
3.Splash
4.PyV8
5.Ghost
八、数据的保存
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