爬虫基本原理

Posted 娄先生

tags:

篇首语:本文由小常识网(cha138.com)小编为大家整理,主要介绍了爬虫基本原理相关的知识,希望对你有一定的参考价值。

目录

一、爬虫的定义

 

 

 

一、爬虫的定义

基本上网:

      浏览器提交请求->下载网页代码->解析/渲染成页面。 

爬      虫:

   模拟浏览器发送请求->下载网页代码->只提取有用的数据->存放于数据库或文件中

两者区别:

     我们只是爬取对我们有用的数据

二、爬虫的流程

#1、发起请求
使用http库向目标站点发起请求,即发送一个Request
Request包含:请求头、请求体等

#2、获取响应内容
如果服务器能正常响应,则会得到一个Response
Response包含:html,json,图片,视频等

#3、解析内容
解析html数据:正则表达式,第三方解析库如Beautifulsoup,pyquery等
解析json数据:json模块
解析二进制数据:以b的方式写入文件

#4、保存数据
数据库
文

三、请求

3.1 请求的定义

  Request:用户将自己的信息(浏览器信息,ip,地址,cookie,请求内容等等)

            通过浏览器(socket client)

       发送给服务器(socket server)

3.2请求的组成部分

#1、请求方式:
    常用的请求方式:GET,POST
    其他请求方式:HEAD,PUT,DELETE,OPTHONS

    ps:用浏览器演示get与post的区别,(用登录演示post)

    post与get请求最终都会拼接成这种形式:k1=xxx&k2=yyy&k3=zzz
    post请求的参数放在请求体内:
        可用浏览器查看,存放于form data内
    get请求的参数直接放在url后

#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

    url编码
    https://www.baidu.com/s?wd=图片
    图片会被编码(看示例代码)


    网页的加载过程是:
    加载一个网页,通常都是先加载document文档,
    在解析document文档的时候,遇到链接,则针对超链接发起下载图片的请求

#3、请求头
    User-agent:告诉它这是浏览器发过来的请求(请求头中如果没有user-agent客户端配置,服务端可能将你当做一个非法用户)务必加上
    host
    cookies:cookie用来保存登录信息
    Referer:上次的请求页面,有些网站直接去post的话,会被限制,因为没有带上上次请求的页面地址


    一般做爬虫都会加上请求头


#4、请求体
    如果是get方式,请求体没有内容
    如果是post方式,请求体是format data

 

四、响应

#1、响应状态
    200:代表成功
    301:代表跳转
    404:文件不存在
    403:权限
    502:服务器错误

#2、Respone header
    Location:跳转
    set-cookie:可能有多个,是来告诉浏览器,把cookie保存下来
    
#3、preview就是网页源代码
    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

 

以上是关于爬虫基本原理的主要内容,如果未能解决你的问题,请参考以下文章

爬虫基本原理

Python 爬虫 4爬虫基本原理

爬虫的基本原理

爬虫——基本原理

Python爬虫知识点——爬虫的基本原理

Python3 爬虫的基本原理