爬虫01-爬虫原理以及爬虫前期准备工作

1 爬虫基本原理

什么是爬虫

爬虫，又名网络爬虫。顾名思义，就是在网络中爬行的一只蜘蛛。
互联网可以看作是一张巨大的网，爬虫就在这个网上爬来爬去，如果在爬行的过程中遇到了一些网站资源，就会把它抓取下来。
如何抓取、抓取什么内容就由你来决定！

爬虫功能详解

简单来说，爬虫就是：请求网站并提取数据的自动化程序。
关键字说明：
请求：平时我们打开浏览器输入网址按下回车可以看到一些页面，这个过程 其实就是通过浏览器去请求目标服务器，目标服务器同意请求之后返回给我们一个网页。那么爬虫就是写一段代码模拟浏览器的这个过程，去获取网页资源。
提取：一般请求获取到的网页资源是一串HTML代码，其中就包含一些标签以及我们需要的文字等资源。接下来就需要把这些信息提取出来。
自动化：一个爬虫代码一般会爬取一个对应的目标信息，我们程序写好并运行代码之后就会自动的去完成爬取的过程，并且把资源爬取到本地。

爬虫基本流程

爬虫的基本流程基本就这几步：
1 发起请求
2 获取响应内容
3 解析内容
4 保存数据
中间可能会经过一些其他复杂的步骤，但基本步骤就这几步。

两个概念：request和response

request（请求）：Request 是爬虫发送给服务器的信息，它包含了要获取特定资源的详细信息。当我们使用爬虫发送一个请求时，我们可以指定请求的类型（GET、POST等）、目标URL、请求头（Headers）、请求体（Body）等信息。请求的目的是向服务器请求特定的数据或资源。

response（响应）：Response 是服务器对 Request 的回应，它包含了服务器返回的数据和相关的元信息。当服务器接收到一个请求后，它会根据请求的内容进行处理，并返回相应的数据。响应通常包括状态码（例如200表示成功，404表示未找到等）、响应头（Headers）、响应体（Body）等信息。

2 一些问题

爬虫能抓取什么样的数据？

• 网页文本：如HTML文档、Json格式文本等。
• 图片：获取到的是二进制文件，保存为图片格式。
• 视频：同为二进制文件，保存为视频格式即可。
• 其他：只要是网页上能看得到的东西全都可以爬取下来。

抓取的数据怎么提取部分内容？数据解析方式。

请求服务器之后大部分情况下得到的是HTML代码，所以需要对数据进行解析，获取我们需要的部分。以下是解析数据的方法，选择适合当前情况的方式。

• 直接处理：适用于网页比较简单的情况，直接获取数据，并用strip简单处理一下头尾就可以了。
• json解析：适用于用Ajax加载的网页，通常返回的格式就是json
• 正则表达式：非常常用的方法，它是规则字符串，来把HTML代码中的相应的内容提取出来
• BeautifulSoup：解析库，相对于正则表达式更好用，更加容易
• PyQuery：使用PyQuery可以轻松地从网页或字符串中提取数据，并对文档进行修改和操作。
• XPath：“网页树”，XPath使用路径表达式来描述和定位文档中的节点，通过这些表达式可以实现非常精确的节点选择。

为什么我爬虫抓取的数据和浏览器看到的不一样

当我们使用爬虫抓取网页时，通常只能获取到页面的原始HTML代码，而无法获取到经过JavaScript渲染后生成的动态内容或者其他的一些内容：例如css、图片或者视频等。如果网站使用了JavaScript来加载或修改页面的部分内容，那么你通过爬虫获取到的数据可能与浏览器中看到的不一致。

在这种情况下，可以考虑使用一些支持JavaScript渲染的工具或库，例如Selenium或Puppeteer。这些工具可以模拟浏览器行为，执行JavaScript代码，并获取到完整的页面内容。这样可以更接近浏览器中所看到的内容。

怎样解决JavaScript渲染的问题？

• 分析Ajax请求
  Ajax（Asynchronous JavaScript and XML）是一种使用JavaScript实现异步通信的技术。在传统的Web页面中，用户交互通常需要刷新整个页面才能显示新的内容。而使用Ajax，可以通过后台异步请求数据，然后更新页面的局部内容，而不需要刷新整个页面。
  现在网页的大部分关键数据都是通过Ajax请求得到的，并通过后期的js渲染显示到页面上。
• Selenium/WebDriver
  驱动一个浏览器模拟加载一个网页，这个是用来做自动化测试的一个工具。
  通过这个工具去加载一个网页，然后用page_source直接获取网页源代码，可以减少js渲染的问题。

#说明：下面代码就是使用selenium去打开谷歌浏览器，并输入百度网址，然后定位到url输入关键词的部分去输入hello world，并搜索，然后关闭。
from selenium import webdriver
from selenium.webdriver.common.keys import Keys

# 创建WebDriver对象
driver = webdriver.Chrome()

# 打开百度网站
driver.get("http://www.baidu.com")

# 定位搜索框元素，并输入关键字，然后输出网页源代码
search_box = driver.find_element_by_name("wd")
search_box.send_keys("Hello World")
search_box.send_keys(Keys.RETURN)
print(driver.page_source)
# 关闭WebDriver对象和浏览器窗口
driver.quit()

• Splash
  跟上一个方法差不多，也是模拟js渲染的
• PyV8、 Ghost.py

怎样保存数据

保存数据可以有多个方式。