7.爬虫基本原理

上一篇：6.Python爬虫常用库的安装
下一篇：8.Urllib库基本使用

一、什么是爬虫

   简单理解为：请求网站并提取数据的自动化程序
   请求：浏览器请求服务器获取网络资源，HTML文本
   提取：从HTML文本中提取需要的信息（手机号等）存入数据库
   自动化：程序可以不停循环爬取信息

二、工作原理（示例）

   打开百度新闻，浏览器检查（右击一般会有）
   Elements就是网页源代码，要提取的信息就在这里面。

三、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。如果服务器正常响应，会得到一个Response，Response的内容就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（图片视频）等类型。
3. 解析网页内容。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，可以直接转换为Json对象解析，可能是二进制数据，可以保存或者进一步处理。
4. 保存数据。保存形式多样，可以保存为文本，也可以保存至数据库，或者保持特定格式（图片等）的文件。

Request和Response

1. 浏览器就发送消息给该网址所在的服务器，这个过程叫做HTTP Request。
2. 服务器收到浏览器发送的信息后，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.
3. 浏览器接收到服务器的Response信息后，会对信息进行相应处理，然后展示。

• Request：

1. 请求方式，主要是GET、POST两种。
   1.1 GET：请求参数直接显示，不安全。输入url可以直接访问。
   1.2 POST：多了Form Data,更安全，链接没有参数，在Form Data中。
2. 请求URL:URL全称 统一资源定位符，如一个文档、一张图片、一个视频等都可以用URL（链接）唯一来确定。
3. 请求头：Headers--包含请求时的头部信息，如User-Agent、Host、Cookies等信息。浏览器识别，决定是否给你发送响应。
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。（post才有）

• Response：

1. 响应状态---Status Code:
   1.1 200：成功。
   1.2 301：跳转。
   1.3 404：找不到页面。
   1.4.502：服务器处理错误。
2. 响应头，如内容类型，内容长度，服务器信息，设置Cookie等
3. 响应体（form-data）：最重要的部分，包含了请求资源的内容，如网页HTML,图片，二进制数据等。
   示例：

import requests

#示例
response = requests.get("http://www.baidu.com")
print(response.text)            #网页源代码
print(response.status_code)     #响应码 200
print(response.headers)         #是键值对模式

• 爬虫抓取怎样的数据
  1.网页文本：HTML文档，Json格式文本等
  2.图片：抓取到的是二进制文件，保存为图片格式

import requests

# 抓取一个图片
response = requests.get("http://e.hiphotos.baidu.com/image/h%3D300/sign=25b08adadd1373f0ea3f699f940e4b8b/0bd162d9f2d3572ce52c8e7d8613632763d0c341.jpg")
print(response.content)         #输出二进制
# 文件写入---执行完毕后，在同级目录会下载改图片
with open("D:\\1.jpg","wb") as f:
    f.write(response.content)
    f.close()

3. 视频同图片，还有其他能请求到的都可以

• 解析方式

1. 直接处理，字符串简单去除首尾的空格
2. Json，网站通过ajax加载的，返回的是Json格式的字符串，解析成字符串对象
3. 正则表达式
4. BeautifulSoup
5. PyQuery
6. XPath

有时候看到的内容和抓取的代码不一致

是因为JavaScript渲染的问题

怎样解决JavaScript渲染的问题？

1、分析Ajax请求
2、Seleinum/WebDriver（自动化测试）

from selenium import webdriver

driver = webdriver.Chrome()
driver.get("https://taobao.com")
print(driver.page_source)       #不用担心js渲染的问题

3、Splash
4、PyV8、Ghost.py

怎样保存数据

1、文本：纯文本、Json、Xml等。
2、关系型数据库：MySql、Oracle、Sqlserver等具有结构化表结构形式存储。
3、非关系型数据库：如MongoDB、Redis字典型键值对形式存储。
4、二进制文件：如图片、视频、音频等直接保存特定格式即可。

上一篇：6.Python爬虫常用库的安装
下一篇：8.Urllib库基本使用