网络数据抓取的工作原理及工作流程

爬虫基本流程

1. 发起请求：
   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。而爬虫通过模拟浏览器的HTTP库向目标站点发送一个Request(可以包含额外的headers等信息)，等待服务器响应。
   Request详解
   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

2. 获取响应内容：
   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。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。
   Response详解
   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
   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。

3. 解析内容：
   主要方法:
   直接处理，Json解析，正则表达式，BeautifulSoup，PyQuery，XPath等
   1)若得到的内容是HTML，可以用正则表达式、网页解析库进行解析。
   2)若是Json，可以直接转为Json对象解析，
   3)若是二进制数据，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.
   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。

抓取中可能出现的问题

1. 抓到的和浏览器看到的不一样？

• 网页通过浏览器的解析，加载CSS与JS等文件对网页进行解析渲染，达到我们看到绚丽的网页，而我们抓到的文件只是一些代码，css文件无法调用，使得样式不能表现出来，那么网页就会出现错位等等问题。

2. 如何解决JavaScript渲染的问题

• 分析Ajax请求、Selenium/WebDriver、Splash、PyV8、Ghost.py等库