1.爬虫的定义
爬虫的定义:向网站发起请求,获取资源后分析并提取有用数据的程序。
获取数据的方式:模拟浏览器发送请求-->下载网页代码-->只提取有用的数据-->存放于数据库或文件中
2.爬虫的基本流程
#1、发起请求 使用http库向目标站点发起请求,即发送一个Request。 Request包含:请求头、请求体等 #2、获取响应内容 如果服务器能正常响应,则会得到一个Response。 Response包含:html,json,图片,视频等。 #3、解析内容 解析html数据:正则表达式,第三方解析库如Beautifulsoup,pyquery等。 解析json数据:json模块。 解析二进制数据:以b的方式写入文件。 #4、保存数据 数据库,文件。
3.请求与响应
#http协议: https://www.cnblogs.com/blue-tea/p/11178085.htmll #Request: 用户将自己的信息通过浏览器(socket client)发送给服务器(socket server) #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) #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。
4.Request
#1、请求方式: 常用的请求方式:GET,POST,其他请求方式:HEAD,PUT,DELETE,OPTHONS ``` post与get请求最终都会拼接成这种形式:k1=xxx&k2=yyy&k3=zzz post请求的参数放在请求体内:可用浏览器查看,存放于form data内 get请求的参数直接放在url后 ``` #2、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 ``` 网页的加载过程是: 加载一个网页,通常都是先加载document文档,在解析document文档的时候,遇到链接,则针对超链接发起下载图片的请求. ``` #3、请求头(爬虫时一般要加上) User-agent:请求头中如果没有user-agent客户端配置,服务端可能将你当做一个非法用户 host cookies:cookie用来保存登录信息 #4、请求体 如果是get方式,请求体没有内容。 如果是post方式,请求体是format,data。 ps: 输入错误的用户名密码,然后提交,就可以看到post,正确登录后页面通常会跳转,无法捕捉到post。=
5. Response
#1、响应状态 200:代表成功 301:代表跳转 404:文件不存在 403:权限 502:服务器错误 #2、Respone header set-cookie:可能有多个,是来告诉浏览器,把cookie保存下来 #3、preview就是网页源代码 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