欢迎您访问程序员文章站本站旨在为大家提供分享程序员计算机编程知识!
您现在的位置是: 首页  >  IT编程

Python爬虫基本原理

程序员文章站 2022-07-08 07:50:50
爬虫基本原理 1. 什么是爬虫 请求 网站并 提取 数据的 自动化 程序。 2. 爬虫基本流程 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。 获取响应 如果服务器能正常响应,会得到一个Response,Response ......

爬虫基本原理

1. 什么是爬虫

请求网站并提取数据的自动化程序。

2. 爬虫基本流程

  • 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。

  • 获取响应

    如果服务器能正常响应,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字符串,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处理。

  • 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。

3. 什么是Request和Response

Python爬虫基本原理

4. 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。

  1. GET:请求的参数全都包含在请求的网址中。直接输入链接即可访问。
  2. POST:与GET不同,请求的信息封装了,包含在Formdata中。需要构造表单,然后点击提交。
  • 请求URl

URL全称统一资源定位符,入一个网页文档、一张图片、一个视频等都可以用URL唯一来确定。

  • 请求头Headers

包含请求时的头部文件,包含了很重要配置信息,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。一般GET请求无需请求体,POST请求则需要请求体。

5. Response中包含什么

  • 响应状态status_code

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headers

如内容类型、内容长度、服务器信息、设置Cookie等等。键值对的形式。

  • 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。

6. 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。

python //example 保存了一个图片 import requests response = requests.get('https://www.baidu.com/img/baidu_jgylogo3.gif') print(response.content) with open('C:/Users/Administrator/Desktop/1.gif', 'wb') as f: f.write(response.content)

  • 视频

同为二进制文件,保存为视频格式即可。

  • 其它

7. 怎样进行网页的解析

  • 解析方式
  1. 直接处理
  2. Json解析(Ajax)
  3. 正则表达式
  4. BeautifulSoap
  5. PyQuery
  6. XPath
  • 为什么抓到的和浏览器看到的不一样

因为抓到的结果里面有很多js文件,里面包含的网页中内容的请求。浏览器则是把所有js加载完毕后才显示出来的。

8. 怎样解决JavaScript渲染的问题

  • 分析Ajax请求
  • Selenium/WebDriver (模拟渲染)
  • Splash(同上)
  • PyV8、Ghost.py

9. 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。

  • 非关系型数据库

如MongoDB、Redis等Key_Value形式存储。

  • 二进制文件

如图片、视频、音频等等直接保存成特定格式即可。