爬虫基本原理介绍

• 什么是爬虫
  请求网站并提取数据的自动化程序
• 爬虫基本请求

1. 发起请求
   通过http库向目标站点发起请求，即发送一个request，请求可以包括额外的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的内容就是索要获取的页面内容，类型可能有html，json字符串，二进制数据（比如图片或者视频）等类型
3. 解析内容
   得到的内容可能是html，可以使用正则表达式，网页解析库进行解析。可能是json，直接转换为json对象解析，可能是二进制数据，直接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，也可以保存到数据库，或者保存为特定格式的文件

• Request和Response介绍

  
  
  image.png

1. 浏览器发送消息给所在网址的服务器消息，这个过程就是http Request
2. 服务器收到收到浏览器发送的消息，会根据浏览器发送消息的内容，作适当处理，然后把消息回传给浏览器，这个过程叫做http Response
3. 浏览器收到服务器的Response信息以后，会对消息进行相应的处理，然后展示

• Request 相关知识

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全程统一资源定位符，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，比如User-Agent、Host、Cookies等信息
4. 请求体
   请求时额外携带的数据，不如表单提交时的表单数据

• Response 相关知识

1. 响应状态
   有多重响应状态，比如200表示成功、301跳转、404找不到网页、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
3. 响应体
   最主要的部分。包含了请求资源得内容。比如网页HTML、图片、二进制数据等

• 爬虫能抓什么数据

1. 网页文本
   如html文档，json格式文本
2. 图片
   获取的是二进制文件，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
   只要是能获取到的，都不获取

• 常见的解析方式

1. 直接处理
2. json解析
3. 正则表达式处理
4. BeautifulSoup
5. PyQuery
6. Xpath

• 如何解决JavaScript渲染的问题

1. 分析Ajax请求
2. Selenium/WebDriver
3. Splash
4. PyV8、Ghost.py

• 如何保存数据
  1.文本
  出文本、json、xml

2. 关系型数据库
   比如MySQL、Oracle、SQL Server等具有结构化表结构的存储
3. 非关系型数据库
   比如MongoDB、Redis等Key-Value形式存储
4. 二进制文件
   比如图片、视频、音频等直接保存为特定格式即可