目录: 爬虫是什么? 爬虫基本流程。 http协议 请求与响应。 request。 响应Response。 总结。
爬虫是什么?向网站发起请求,获取资源后分析并提取有用数据的程序; 通过程序模拟浏览器请求站点的行为,把站点返回的HTML代码/JSON数据/二进制数据(图片、视频) 爬到本地,进而提取自己需要的数据,存放起来使用; 百度图 爬虫基本流程。
方式1:浏览器提交请求->下载网页代码->解析成页面 方式2:模拟浏览器发送请求(获取网页代码)->提取有用的数据->存放于数据库或文件中 百度图 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 Request模块缺陷:不能执行JS 和CSS 代码 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 解析内容 解析html数据:正则表达式(RE模块),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wb的方式写入文件 保存数据 数据库(MySQL,Mongdb、Redis)
http协议 请求与响应。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)
|