爬虫基本原理

Posted 2021-01-19 wisir

什么是爬虫？即“请求”网站并“提取”数据的“自动化”程序。

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Reques,请求可以包含额外的headers等信息，等待服务器相应。

获取相应内容：如果服务器能正常相应，会得到一个Response，Response的内容便是要获取的页面内容，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，可以直接转换为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。

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。

 

Request中包含什么呢？

GET请求：请求数据暴露在URL里边；POST请求：表单提交的数据在Form Data里边。

 

Response中包含什么呢？

 

能抓取什么样的数据？

 

解析方式有哪些？

直接处理：如得到网页源码，得到图片的二进制数据存储到本地。

json解析：得到json键值对数据，在Network下面的XHR筛选出的内容中有得到的json数据。

正则表达式

beautifulsoup库解析

pyquery库解析

xpath库解析

 

往往自己爬到的数据和网页上显示的不一样，是因为网页除了一些request请求得到的数据，还有一些js渲染的数据，这些js的数据没有爬到，所以不一样。

怎么解决javascript渲染的问题？

分析ajax请求

selenium/webdriver来操作浏览器式的获取pagesource的内容

splash库

pyv8、ghost.py

 

怎样保存数据？

文本：纯文本、json、xml等

关系型数据库：如mysql、Oracle、sqlserver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、音频等直接保存成特定格式即可