网络爬虫

一、什么是爬虫

爬虫：请求网站并提取数据的自动化程序

百科：网络爬虫（又被称为网页蜘蛛，网络机器人，在FOAF社区中间，更经常的称为网页追逐者），是一种按照一定的规则，自动地抓取万维网信息的程序或者脚本。另外一些不常使用的名字还有蚂蚁、自动索引、模拟程序或者蠕虫。

 

二、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。

三、Request和Response

1. Request：浏览器就发送消息给该网址所在的服务器，这个过程叫做HTTP Request。
2. Response: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。

四、Request详解

1. 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。
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

五、Response详解

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。

六、能抓取哪些数据

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:同为二进制文件，保存为视频格式即可。
4. And so on:只要是能请求到的，都能获取。

七、解析方式

1. 直接处理
2. Json解析
3. 正则表达式
4. BeautifulSoup
5. PyQuery
6. XPath

八、抓取中出现的问题

问：为什么我抓到的和浏览器看到的不一样？

答：网页通过浏览器的解析，加载CSS与JS等文件对网页进行解析渲染，达到我们看到绚丽的网页，而我们抓到的文件只是一些代码，css文件无法调用，使得样式不能表现出来，那么网页就会出现错位等等问题。

问：怎样解决JavaScript渲染的问题？

答：分析Ajax请求、Selenium/WebDriver、Splash、PyV8、Ghost.py等库

九、保存数据

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。