PYTHON 爬虫笔记一:爬虫基本原理梳理

知识点一：爬虫的基本原理梳理

　　一、什么是爬虫？

　　　　请求网站并提取数据的自动化程序

　　二、爬虫的基本流程

　　　　1：向服务器发起请求

　　　　　　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，等待服务器的响应。

　　　　2：获取响应内容

　　　　　　如果服务器正常响应，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、二进制文件（如图片、视频等类型）。 

 　　　　3：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，可以直接转成JOSN对象进行解析，可能是二进制数据，可以保存或者进一步处理 

 　　　　4：保存内容

　　　　　　保存形式多样，可以保存成文本，也可以保存至数据库，或者保存成特定格式的文件。

　　三、什么是Response和Request ？

　　四、Request中包含哪些内容？

　　　　1：请求方式 
　　　　　　主要是GET、POST两种类型，另外还有HEAD、PUT、DELETE、OPTIONS等。 
　　　2：请求URL 
　　　　　　URL全称是统一资源定位符，如一个网页文档、一张图片、一个视频等都可以用URL来唯一来确定 
　　　　3：请求头 
　　　　　　包含请求时的头部信息，如User-Agent、Host、Cookies等信息 
　　　　4：请求体 
　　　　　　请求时额外携带的数据，如表单提交时的表单数据

　　五、Response中包含哪些内容？

　　　　1：响应状态 
　　　　　　有多种响应状态，如200代表成功，301代表跳转，404代表找不到页面，502代表服务器错误等 
　　　　2：响应头 
　　　　　　如内容类型、内容长度、服务器信息、设置cookies等等 
　　　　3：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。 

　　六、能抓到怎样的数据？

　　　　1：网页文本 
　　　　　　如HTML文档、JSON格式文本等 
　　　　2：图片文件 
　　　　　　获取的是二进制文件，保存为图片格式 
　　　　3：视频 
　　　　　　同为二进制文件，保存为视频格式即可 
　　　　4：其他 
　　　　　　只要能够请求到的，都能够获取到 

import requests
response = requests.get('http://www.baidu.com')
print(response.text)       #text：获取返回的响应体
print(response.headers)    #headers：获取返回的响应头
print(response.status_code)#status_code：获取返回的状态码

import requests
headers = {'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/68.0.3440.75 Safari/537.36'}
response = requests.get('http://www.baidu.com', headers=headers)
print(response.text)      
print(response.headers)  
print(response.status_code)

import requests

headers = {'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/68.0.3440.75 Safari/537.36'}
response = requests.get('https://www.baidu.com/img/bd_logo1.png', headers=headers)
print(response.content)    #获取响应体的二进制流  
with open('E:/1.png','wb') as f:
    f.write(response.content)
    f.close()

　　七、解析的方式

　　八、为什么我们抓到的有时候和浏览器看到的不一样？

　　　　有时候，网页返回是JS动态加载的，直接用请求库访问获取到的是JS代码，不是渲染后的结果。 

 

　　九、怎样保存数据？