002 爬虫基本原理（基础篇）

一、爬虫基本原理

1.什么是爬虫？

请求网站并提取数据的自动化程序

2.爬虫基本流程

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。

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，可以做保存或者进一步的处理。

保存数据

保存形式多样，可以存为文本，也可以保存至数据库，或者保存特定格式的文件。

3.Request和Response

本机 –> Request –> 服务器
浏览器发送消息给该网址所在的服务器，这个过程叫做HTTP Request

服务器 –> Response –> 本机
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

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

4.Request中的内容

请求方式

主要有GET、POST两种类型，另外还有HEAD、PUT、DELETE、OPTIONS等

POST的请求中比GET多了一个From Data的部分

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

5.Response中的内容

响应状态（状态码）

有多种响应状态，如200代表成功、301跳转、404找不到页面、502服务器错误等

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

6.抓取数据类型

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

只要是能请求到的，都能获取

7.网页解析的方式

• 直接处理

• Json解析

• 正则表达式

• BeautifulSoup

• PyQuery

• XPath

8.为什么抓取到的数据跟看到的不太一样？

由于JS渲染的原因

9.解决JavaScript渲染的问题

• 分析Ajax请求（主要方法）

• Selenium 和 Webdriver

• Splash

• PyV8、Ghost.py

10.怎么保存数据

文本

纯文本、Json、Xml等

关系型数据库

如MySQL、Oracle、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