爬虫概念
请求网站并提取数据的自动化程序。
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header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,可以直接转换为Json对象解析,可能是二进制,可以做保存或进一步的处理。
-
保存数据
保存形式多样,可以存文本,可以存数据库或者特定格式的文件
Request
-
请求方式
- GET和POST
- 区别就是GET把参数包含在URL中,POST通过request body传递参数
- GET和POST两种基本请求方法的区别
- HEAD、PUT、DELETE、OPTIONS等
- GET和POST
-
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
Response
-
响应状态
有多种响应状态,如200代表成功、301代表跳转、404代表找不到页面、502服务器错误
-
响应头
如类容类型、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、二进制等
request与response要和浏览器控制台中network中资源对应学习
爬虫抓取数据类型
-
网页文本
HTML、Json等
-
图片
二进制数据,保存为图片格式
-
视频
二进制数据,保存为视频格式
-
其他
只要是能请求的,都能获取
爬虫解析方式
- 直接处理
- Json解析
- 正则表达式
- BeautifulSoup
- PyQuery
- XPath
JavaScript渲染问题
- 分析Ajax请求
- Selenium/WebDriver
- Splash
- PyV8、Ghost.py
数据保存
-
文本
纯文本、Json、xml等
-
关系型数据库
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、音频等直接保存成特定格式