爬虫的基本原理：爬虫能爬什么数据

爬虫可以爬取的数据大致有四类：

• 网页源代码。最常见的便是常规网页，它们对应着HTML代码，而最长抓取的便是HTML源代码。
• JSON字符串。可能有些网页返回的不是HTML源代码，而是一个JSON字符串（API接口大多采用这种形式），这种格式的数据方便传输和解析，爬虫同样可以爬取，而且数据提取更加方便。
• 二进制数据。各种二进制数据，如图片、视频和音频等，利用爬虫可以将这些二进制数据抓取下来，然后保存成对应的文件名。
• 各种扩展名的文件。如CSS、JavaScript和配置文件等，只要在浏览器里面可以访问到，就可以将其抓取下来。

上述内容其中都对应各自的URL，是基于HTTP或HTTPS协议的，只要是这种数据，爬虫都可以爬取。