爬虫入门基本原理

爬虫基本原理

爬虫定义：

请求网站并提取数据的自动化程序

爬虫基本流程：

1. 发送请求：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。
2. 获取响应内容是：如果服务器能正常响应，会得到一个Response，Response的内容便是所获取的页面内让那个，类型可以是HTML，Json字符串，二进制数据（如图片视频等类型。
3. 解析内容：得到的尽可能是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，可能是二进制数据，可以做保存或者进一步的处理。
4. 保存数据：存为文本，也可以保存到数据库，或者指定的格式。

Request包含什么：

1. 请求方式：GET/POST
2. 请求URL(统一资源定位符)，一个网页文档，一张图片，一个视频
3. 请求头：User-Agent、Host、Cookies等
4. 请求体(POST请求时使用) -- form data，请求时额外携带的数据，如表单提交时的表单数据

Response包含：

1. 响应状态 -- 状态码
2. 响应头：内容类型、内容长度、服务器信息、设置cookie
3. 响应体：请求资源的内容如网页HTML、图片、二进制数据等。

能抓什么数据：

1. 网页文本：HTML， Json格式文本等
2. 图片：获取到的是二进制文件，保存为图片格式
3. 视频：同为二进制文件，保存为视频格式
4. 其它：只要是能请求到的，都能获取

解析方式：

1. 直接处理
2. json解析 -- 网页是ajax加载的
3. 正则表达式
4. BeautifulSoup解析库
5. PyQuery解析库
6. XPath解析库

抓到的数据和浏览器看到的不一样：

存在javascript渲染问题，即看到的网页是经过JS渲染过的网页，而直接请求的没有经过渲染得到的

解决JavaScript渲染问题：

1. 分析Ajax请求
2. Selenium / WebDriver模仿JavaScript渲染
3. Splash模拟JavaScript渲染
4. PyV8/Ghost.py

怎样保存数据

1. 文本
2. 关系型数据库：MySQL、Oracle、SQL Server
3. 非关系型数据库：MongoDB、Redis等Key-Value的形式
4. 二进制文件：图片视频音频等直接保存