网络爬虫,又称为网络蜘蛛(WebSpider),就是把整个互联网想象成一个蜘蛛网,这只爬虫在上面爬来爬去,来捕获我所需要的资源。也就是请求网站并提取数据的自动化过程。
爬虫的基本流程
简单的来说分为四步
1、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,等待服务器响应。
2、获取响应内容
如果服务器能正常响应,会得到一个Response,Response的内容是所要获取的页面内容,类型可能有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,可直接转为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
保存形式多样,可以存为文本,也可以保存至数据库,或者保存特定格式的文件。
Request中包含了哪些?
1、请求方式
主要有GET/POST两种类型
2、请求头
包含请求时的头部信息,如User-Agent、Host、Cookies等信息
3、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
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
Response中包含了哪些?
1、响应状态
有多种响应状态,如200代表成功、301跳转、404找不到页面、502服务器错误
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。
能抓怎样的数据?
1、网页文本
如HTML文档、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
二进制文件,保存为视频格式即可。