zoukankan      html  css  js  c++  java
  • 爬虫基础 2.3 爬虫基本原理

    2.3 爬虫基本原理

    2.3.1 爬虫概述

        1 获取网页

            使用请求库 urllib、 urllib2、request 请求库,向服务器发起数据请求,得到响应后,解析数据中的body部分可得到网页源代码。

        2 提取信息

            获取网页源代码后,分析源代码,提取信息

            提取信息方式:

                正则表达式匹配 (比较麻烦)

                CSS、xpath 解析库提取 使用beautifulsoup、pyquery、lxml解析匹配数据

        3 保存数据

            提取到数据以后则进行规整化 保存数据

            保存方式1 保存为txt文本、json文本

            保存方式2 数据库保存

                Mysql

                Redis

                Mongodb

     

        4 自动化程序

            即自动化不断地请求,解析。

            在自动化的过程中包括异常处理,错误重试,防封,保存数据。

     

     

     

     

     

     

     

     

    2.32 可抓取的数据

        一般来看只要是网页中的数据都可以抓取到

        常规HTML网页,抓取匹配源代码

        Json字符串 api接口的数据抓取更加方便

        二进制数据流 抓取后保存为对应格式文件

        Css、javascript配置文件,同样抓取

        只要是基于http/https 的协议的数据均可

     

    2.3.4 JAVAscript渲染页面

        Js渲染的页面中,在源代码的body部分使用的js加载,对于这种类型的则分析ajax后台接口,或者使用selenium splash模拟js的渲染来抓取。

     

  • 相关阅读:
    bootstrap模态框
    css 禁止选中文本
    Python Flask Tornado
    JS canvas标签动态绘制图型
    JS 跳转页面
    JS 计算器
    JS
    柱状图中最大的矩形
    在不使用第三个变量的情况下交换两个数的值
    springboot配置静态资源访问的2种方式
  • 原文地址:https://www.cnblogs.com/binyang/p/10991009.html
Copyright © 2011-2022 走看看