一、爬虫的基本过程
1、发起请求
通过HTTP库向目标网站发起请求,即发送一个Request,请求包含额外的headers内容,等待服务器相应。
2、获得相应内容
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。
3、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。
4、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。
(一)、发起请求
1、Request请求
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。
(1)请求方式
① get
② post
③ head、delete、put、options等
(2)请求URL
URL为统一资源定位符,每个文档、图片、视频都有唯一的url
(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
(二)、获得相应
1、Response响应
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。
(1)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
(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
(三)、解析内容
1、解析方式
直接处理
正则表达式
json解析
BeautifulSoup
pyquery、xpath
(四)、保存数据
1、文件格式
(1)文本
纯文本、json、xml等
(2)关系型数据库
如MySQL、Oracle、SQL Server等具有结构化表结构形式存储
(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