1.爬虫的基本流程
发送请求---》获取相应内容---》解析内容---》保存数据
1 #1、发起请求 2 使用http库向目标站点发起请求，即发送一个Request 3 Request包含：请求头、请求体等 4 5 #2、获取响应内容 6 如果服务器能正常响应，则会得到一个Response 7 Response包含：html，json，图片，视频等 8 9 #3、解析内容 10 解析html数据：正则表达式，第三方解析库如Beautifulsoup，pyquery等 11 解析json数据：json模块 12 解析二进制数据:以b的方式写入文件 13 14 #4、保存数据 15 数据库 16 文
1 #http协议：http://www.cnblogs.com/haiyan123/p/7298967.html 2 3 #Request：用户将自己的信息通过浏览器（socket client）发送给服务器（socket server） 4 5 #Response：服务器接收请求，分析用户发来的请求信息，然后返回数据（返回的数据中可能包含其他链接，如：图片，js，css等） 6 7 #ps：浏览器在接收Response后，会解析其内容来显示给用户，而爬虫程序在模拟浏览器发送请求然后接收Response后，是要提取其中的有用数据。
Request
1和2只是在response处有所不同
1是先把url后面的分组处理了下，然后字符串拼接成url，2是直接把分组的值放到params这个字典里。其它地方都一样。结果也一样。
1 import requests 2 from urllib.parse import urlencode 3 4 kwords = input('please input keywords:>> ').strip() 5 res = urlencode({'wd': kwords}) 6 print(res) # wd=%E5%B0%8F%E7%8B%97 7 url = 'http://www.baidu.com/s?' + res 8 print(url) # http://www.baidu.com/s?wd=%E5%B0%8F%E7%8B%97 9 10 response = requests.get( 11 url, 12 headers={ 13 # google的User-Agent用above:version查找 14 'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/67.0.3396.99 Safari/537.36', 15 16 }, 17 18 ) 19 with open('a.html','w',encoding = 'utf-8') as f: 20 # f.write(response.text)把获得的响应体写入到文件中 21 print(f.write(response.text)) 22 23 print(response.status_code)
1 kwords = input("请输入关键字:>>").strip() 2 response = requests.get( 3 "https://www.baidu.com/s?", 4 # 请求的url,当你在百度输入中文的时候，你把url拿下来会变成下面的这样格式的url 5 params={ 6 "wd":kwords, 7 'pn':20 8 }, 9 # 请求头 10 headers={ 11 "User-Agent": "Mozilla/5.0 (Windows NT 6.1; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/63.0.3239.108 Safari/537.36", 12 }, 13 ) 14 with open("b.html","w",encoding="utf-8") as f: 15 f.write(response.text) 16 # print(response.status_code) 17 18 示例代码二（和上面的结果是一样的）
Response
1 #1、响应状态 2 200：代表成功 3 301：代表跳转 4 404：文件不存在 5 403：权限 6 502：服务器错误 7 8 #2、Respone header 9 Location：跳转 10 set-cookie：可能有多个，是来告诉浏览器，把cookie保存下来 11 12 #3、preview就是网页源代码 13 最主要的部分，包含了请求资源的内容 14 如网页html，图片 15 二进制数据等
总结
1 #1、总结爬虫流程： 2 爬取--->解析--->存储 3 4 #2、爬虫所需工具： 5 请求库：requests,selenium 6 解析库：正则，beautifulsoup，pyquery 7 存储库：文件，MySQL，Mongodb，Redis 8 9 #3、爬虫常用框架： 10 scrapy