标签：进一步   数据   字符串   数据库   html   额外   二进制   包含   目标   

什么是爬虫？

请求网站并提取数据的自动化程序

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，请求包含额外的headers信息

2.获取响应内容，如果服务器正常相应，得到一个Response

3.解析内容，得到的内容可能是HTML，JSON，二进制数，可以保存或进一步处理

4.保存数据，保持形式多样，可以保存到数据库或文本

request

GET

POST  含有formdata

请求的url ，统一资源定位符

RequestHeaders 请求头 UA Host Cookies

response

状态码

响应头 set-cookie

响应体

response.headers  响应头

response.status——code  响应状态码

可以抓怎样的数据

1.网页文本 HTML,JSON,等

2.图片  response.content  响应体的二进制形式

3.视频 二进制抓取

4.其他

解析方式

1.直接处理 返回字符串

2.Json解析

3.正则表达式

4.BS4 解析库

5.PyQuery

6.Xpath

为什么我抓的和浏览的不一样?

一些数据都是通过js代码,他们发送ajax请求获取到的后台数据来在前端显示

怎样解决JS渲染问题?

1.分析ajax请求

2.Selenium/Webdriver

3.Splash

4.pyv8

怎样保存数据?

1.文本

2.数据库

爬虫的基本理念

标签：进一步   数据   字符串   数据库   html   额外   二进制   包含   目标   

原文地址：https://www.cnblogs.com/zhangqing979797/p/10891312.html