轉載自https://www.cnblogs.com/felixwang2/p/8708076.html,在此十分感謝原作者:寂靜的天空。
目錄
一:什麼是爬蟲
二:爬蟲基本流程
三:什麼是Requests、Response?
四:Request包含哪些?
五:Response中包含什麼?
六:能抓取怎樣的數據
七:解析方式
八:如何解決JavaScript渲染問題?
九:保存數據
一:什麼是爬蟲
請求網站並提取數據的自動化程序。
二:爬蟲基本流程
a.發起請求
通過HTTP庫向目標站點發起請求,即發送一個Request,請求可以包含額外的headers等信息,等服務器響應。
b.獲取響應內容
如果服務器能正常響應,會得到一個Response,Response的內容便是所要獲取的頁面內容,類型可能有HTML,Json字符串,二進制數據(如圖片視頻)等類型。
c.解析內容
得到的內容可能是HTML,可以用正則表達式,網頁解析庫進行解析。可能是Json,可以直接轉換爲Json對象解析,可能是二進制數據,可以做保存或者進一步的處理。
d.保存數據
保存形式多樣,可以存爲文本,也可以保存至數據庫,或者保存特定格式的文件。
三:什麼是Requests、Response?
(1):瀏覽器發送消息給該網址所在的服務器,這個過程叫做HTTP Request。
(2):服務器收到瀏覽器發送的消息後,能夠根據瀏覽器發送的內容,做相應處理,然後把消息回傳給瀏覽器。這個過程叫做HTTP Response。
(3):瀏覽器收到服務器的Response信息後,會對信息進行相應處理,然後展示。
四:Request包含哪些?
a、請求方式
主要有GET、POST兩種類型,另外還有HEAD、PUT、DELETE、OPTIONS等。
b、請求URL
URL全稱統一資源定位符,如一個網頁文檔,一張圖片、一個視頻等都可以用URL唯一來確定。
c、請求頭
包含請求時的頭部信息,如User-Agent,Host,Cookies等信息。
d、請求體
請求時額外攜帶的數據如表單提交時的表單數據。
五:Response中包含什麼?
a、響應狀態
有多種響應狀態,如200代表成功、301跳轉、404找不到頁面、502服務器錯誤。
b、響應頭
如內容類型、內容長度、服務器信息、設置Cookie等等。
c、響應體
最主要的部分,包含了請求資源的內容,如網頁HTML、圖片二進制數據等。
六:能抓取怎樣的數據
1、網頁文本:如:HTML文檔,json格式文本。
2、圖片:獲取到的是二進制文件,保存爲圖片格式。
3、視頻:同爲二進制文件,保存爲視頻格式即可。
4、其他:只要能請求到的,都能獲取。
七:解析方式
1、直接處理。
2、json解析
3、正則表達式
4、pyquery
5、xpath
6、beautifulsoup
八:如何解決JavaScript渲染問題?
1、分析Ajax
2、Selenium/WebDriver
3、Splash
4、pyV8、Ghost.py
九:保存數據
1、文本:純文本,Json,xml
2、關係型數據庫,如mysql、oracle、sql server等具有結構化表結構形式存儲
3、非關係型數據庫,如mongodb、redis等key-value形式存儲。
4、二進制文件,如圖片、視頻、音頻等直接存成特定格式即可。