python爬虫学习笔记（二）

• 爬虫：请求网站并提取数据的自动化程序。
• 4个基本流程：发起请求，获取响应内容，解析内容，保存数据。
  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全称为统一资源定位符，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。
• Response
  1、响应状态：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。
• 抓取的数据：
  1、网页文本：如HTML文档，Json格式文本等。
  2、图片：获取的是二进制文件，保存为图片格式。
  3、同为二进制文件，保存为视频格式即可。
  4、只要是能请求到的，都能获取。
• 解析方式：
  1、直接处理；
  2、Json解析；
  3、正则表达式；
  4、BeautifulSoup；
  5、PyQuery；
  6、XPath。
• 解决JavaScript渲染问题：
  1、分析Ajax请求；
  2、Selenium/WebDriver（驱动浏览器来加载一个网页）
  3、Splash；
  4、PyV8、GHost.py。
• 保存数据：
  1、文本：纯文本，Json、Xml等；
  2、关系型数据库：如mysql、oracle、SQL server等具有结构化表结的形式存储；
  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。

---

• Python内置的HTTP请求库：Urllib
  1、urllib.request 请求模块
  2、urllib.error 异常处理模块
  3、urllib.parse url解析模块
  4、urllib.robotparser robots.txt解析模块

---

• Requests库
  1、其用python语言编写，基于urllib，采用Apache2 Licensed 开源协议的HTTP库。

---

• 正则表达式
  1、非python独有，re模块实现

---

• BeautifulSoup库
  1、灵活又方便的网页解析库，处理高效，支持多种解析器，利用它不用编写正则表达式即可方便地实现网页信息的提取。