爬虫之旅（1）——爬虫的基本原理

发起请求

通过HTTP库向目标站点发起请求，即发送一个Requestrian，请求可以包含额外的headers等信息，等待服务器响应。

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。

解析内容

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，可以直接转为Json对象解析，可能是二进制数据，可以做保存或进一步的处理。

保存数据

保存形式多样，可以是文本也可以保存至数据库或者保存特定格式的文件

Request与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。

（3）浏览器收到服务器的Response信息后，会对信息进行相应处理，然后展示。

Request包含什么？

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。

Response包含什么？

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。

能抓取怎样的数据

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

实例：复制图片的Request URL：https://www.baidu.com/img/baidu_jgylogo3.gif

response= requests.get(‘https://www.baidu.com/img/baidu_jgylogo3.gif’)

print(response.content)#获取响应体的二进制格式

withopen(‘d:/python/1.gif’,’wb’) as f:

f.write(response.content)

f.cLose() #生成文件

视频：同为二进制文件，保存为视频格式即可

其他：只要是能请求到的，都能获取

怎么样来解析？

直接处理

Json解析

正则表达式

BeautifulSoup

PyQuery

XPath

为什么我抓到的的和浏览器看到的不一样？

因为很多要通过JS文件渲染开来

怎样解决JavaScript渲染的问题？

（1）分析Ajax请求

（2）Selenium/WebDriver

得到与网页element相同的源代码

（3）Splash

（4）PyV8、Ghost.py

怎样保存数据

文本：纯文本、Json、Xml等

关系型数据库：如MySQL、Qracle、SQL SerVer等具有结构化表结构形式存储

非关系型数据库：如MongoDB、Redis等Key-Value形式存储

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