一、爬虫基本流程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。 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。 二、Request与Response浏览器发送消息给该网址所在的服务器,这个过程叫做HTTP Request。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。 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。 三、Request1.请求方式主要有GET、POST两种类型,另外还有HEAD、PUT、DELETE、OPTIONS等。 2.请求URLURL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。 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 四、Response1.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Cookie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 五、抓取的数据类型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.视频同为二进制文件,保存为视频格式即可 4.其他数据只要是能请求到的,都能获取 六、解析方式1.直接处理2.Json解析3.正则表达式4.BeautifulSoup5.PyQuery6.Path七、JavaScript渲染问题1.分析Ajax请求2.Selenium/WebDriver3.Splash4.PyV85.Ghost八、数据得保存1.文本纯文本、Json、Xml等…… 2.关系型数据库如MySQL、Oracle、SQL Server等具有结构化表结构形式存储 3.非关系型数据库如MongoDB、Redis等Key-Value形式存储 4.二进制文件如图片、视频、音频等等直接保存成特定格式即可 |
|