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
-
- 请求：模拟浏览器向服务器请求资源
- 提取：从html代码中提取出想要的信息，数据采集
- 自动化：自动，循环运行，批量获取数据
2.爬虫基本流程(重点)
- 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（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，或者保存为特定格式的文件。
3.Request中包含什么？
- 请求方式：主要有GET、POST两种类型，另外还有HEAD、PUT、DELETE、OPTIONS等。（GET请求将请求参数放在URL后面；POST多了一个Form Data部分，请求参数在此部分中。）
- 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（指定浏览器请求头使服务器识别浏览器）、Host、Cookies（保持登录会话）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。（GET方式下一般不携带数据，POST方式下一般为Form Data）
4.Response中包含什么？
- 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。
5.能抓怎样的数据？
- 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。
- 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。
6.解析方式：直接处理，Json解析，正则表达式，BeautifulSoup，PyQuery，XPath
7.为什么抓到的和浏览器看到的不一样？
浏览器中看到的数据是经过JS渲染，在后台接口得到的。
8.怎样解决JavaScript渲染的问题？
- 分析Ajax请求，返回Json格式字符串（较方便）
- 使用Selenium/WebDriver驱动浏览器模拟加载网页
- Splash库模拟JS渲染
- PyV8、Ghost.py等
9.怎样保存数据？
- 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。
