什么是爬⾍
请求⽹网站并提取数据的⾃自动化程序
爬虫的基本流程
发起请求
通过HTTP库向⽬目标站点发起请求，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。
获取相应内容
如果服务器器能正常响应，会得到⼀一个Response，Response的内容便是所要获取的⻚面内容，类型可能有HTML，Json字符串串，⼆二进制数据（如图片视频）等类型。
解析内容
得到的内容可能是HTML，可以⽤用正则表达式、⽹页解析库进行解析。可能是Json，可以直接转为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。
保存数据
保存形式多样，可以存为⽂文本，也可以保存至数据库，或者保存特定格式的文件。
Request与Response
（1）浏览器就发送消息给该⽹网址所在的服务器，这个过程叫做HTTP Request。
（2）服务器收到浏览器发送的消息后，能够根据浏览器发送消息的内容，做相应处理，然后把消息回传给浏览器。这个过程叫做HTTP Response。
（3）浏览器收到服务器的Response信息后，会对信息进行相应处理，然后展示。
Request中包含什么
请求方式
主要有GET、POST两种类型，另外还有HEAD、PUT、DELETE、OPTIONS等。
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。
请求头
包含请求时的头部信息，如User-Agent、Host、Cookies等信息。
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中包含什么
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
响应头
如内容类型、内容长度、服务器信息、设置Cookie等等。
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
网页文本：如HTML文档、Json格式文本等。
图片：获取到的是二进制文件，保存为图片格式。
视频：同为二进制文件，保存为视频格式即可。
其他：只要是能请求到的，都能获取。
怎样来解析
直接处理
Json解析
正则表达式
BeautifulSoup
XPath
PyQuery
怎样保存数据
文本：纯文本、Json、Xml等。
关系型数据库：如MySQL、Oracle、SQL Server等具有结构化表结构形式存储。
关系型数据库：如MongoDB、Redis等Key-Value形式存储。
二进制文件：如图⽚片、视频、音频等直接保存成特定格式即可。