Python爬虫的原理是什么？

本文和大家分享的主要是python爬虫的基本原理相关内容，希望对初学python爬虫的童鞋有所帮助，一起来看看吧。

　　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

　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。