Python爬虫基本原理

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

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. 什么是Request和Response

4. 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。
1. GET：请求的参数全都包含在请求的网址中。直接输入链接即可访问。
2. POST：与GET不同，请求的信息封装了，包含在Formdata中。需要构造表单，然后点击提交。
请求URl

URL全称统一资源定位符，入一个网页文档、一张图片、一个视频等都可以用URL唯一来确定。
请求头Headers

包含请求时的头部文件，包含了很重要配置信息，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。一般GET请求无需请求体，POST请求则需要请求体。

5. Response中包含什么

响应状态status_code

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headers

如内容类型、内容长度、服务器信息、设置Cookie等等。键值对的形式。
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. 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。

//example 保存了一个图片
import requests
response = requests.get('https://www.baidu.com/img/baidu_jgylogo3.gif')
print(response.content)
with open('C:/Users/Administrator/Desktop/1.gif', 'wb') as f:f.write(response.content)

视频

同为二进制文件，保存为视频格式即可。
其它

7. 怎样进行网页的解析

解析方式
1. 直接处理
2. Json解析（Ajax）
3. 正则表达式
4. BeautifulSoap
5. PyQuery
6. XPath
为什么抓到的和浏览器看到的不一样

因为抓到的结果里面有很多js文件，里面包含的网页中内容的请求。浏览器则是把所有js加载完毕后才显示出来的。

8. 怎样解决JavaScript渲染的问题

分析Ajax请求
Selenium/WebDriver （模拟渲染）
Splash（同上）
PyV8、Ghost.py

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。

Python爬虫基本原理相关推荐

python爬虫基本原理_Python爬虫【一】爬虫的基本原理
一.爬虫基本原理 1.获取网络数据用户方式:浏览器提交请求->下载网页代码->解析/渲染成页面爬虫方式:模拟浏览器发送请求->下载网页代码->只提取有用的数据->存放 ...
python爬虫基础-http/https协议
http/https协议首先http的官方概念 HTTP协议是Hyper Text Transfer Protocol(超文本传输协议)的缩写,是用于从万维网(WWW:World Wide Web ...
python爬虫与文本数据分析系列课
在过去的两年间,Python一路高歌猛进,成功窜上"最火编程语言"的宝座.惊奇的是使用Python最多的人群其实不是程序员,而是数据科学家,尤其是社会科学家,涵盖的学科有经济学.管 ...
【浅谈爬虫】一名合格的Python爬虫工程师必须具备技能—具体了解四大Python爬虫分类以及爬虫基本原理实现
一.网络爬虫概述网络爬虫(又被称作为网络蜘蛛.网络机器人,在某社区中经常被称为网页追逐者),可以按照指定的规则(网络爬虫的算法)自动浏览或抓取网络中的信息,通过Python可以很轻松地编写爬虫程序或 ...
python爬虫的原理以及步骤-Python-爬虫的基本原理
什么是爬虫爬虫就是请求网站并提取数据的自动化程序.其中请求,提取,自动化是爬虫的关键!下面我们分析爬虫的基本流程爬虫的基本流程发起请求通过HTTP库向目标站点发起请求,也就是发送一个Reque ...
【Python 爬虫】 4、爬虫基本原理
爬虫基本原理爬虫的基本流程 1.获取网页源代码:通过请求库实现,urllib,requests等实现HTTP请求: 2.提取信息:分析网页源代码,提取数据,如正则表达式,beautiful soup ...
python爬虫的基本原理以及scrapy框架的使用
正则表达式基础正则表达式用于处理字符串,拥有自己独立的语法以及一个独立的处理引擎. 不同提供正则表达式的语言里正则表达式的语法都式一样. . 和 * + . 匹配任意一个字符 *匹配0或多次前面出现 ...
玩转 Python 爬虫，需要先知道这些
作者 | 叶庭云来源 | 修炼Python 头图 | 下载于视觉中国爬虫基本原理 1. URI 和 URL URI 的全称为 Uniform Resource Identifier,即统一资源标志 ...
一个月入门Python爬虫，轻松爬取大规模数据
如果你仔细观察,就不难发现,懂爬虫.学习爬虫的人越来越多,一方面,互联网可以获取的数据越来越多,另一方面,像 Python这样一个月入门Python爬虫,轻松爬的编程语言提供越来越多的优秀工具,让爬虫 ...

Python爬虫基本原理

爬虫基本原理

1. 什么是爬虫

2. 爬虫基本流程

3. 什么是Request和Response

4. Request中包含什么

5. Response中包含什么

6. 能抓怎样的数据

7. 怎样进行网页的解析

8. 怎样解决JavaScript渲染的问题

9. 怎样保存数据

Python爬虫基本原理相关推荐

最新文章

热门文章