用Python玩爬虫,首先得有一个流程,这个流程最适合小白用!

Posted python1234

tags:

篇首语:本文由小常识网(cha138.com)小编为大家整理,主要介绍了用Python玩爬虫,首先得有一个流程,这个流程最适合小白用!相关的知识,希望对你有一定的参考价值。

爬虫基本流程

  • 发起请求

    通过HTTP库向目标服务器发送Request,Request内可以包含额外的headers信息。

  • 获取响应内容

    如果服务器正常响应,会返回Response, 里面包含的就是该页面的内容。

  • 解析数据

    内容或许是html,可以用正则表达式、网页解析库进行解析。

    或许是Json,可以直接转换为Json对象解析。

  • 保存数据

    可以存储为文本,也可以保存至数据库,或其他特定类型文件。

技术分享图片

Response中包含的内容

  • 响应状态

    Status Code:200

    即状态码,一般200表示响应成功。

  • 响应头

    Response Headers

    内容类型,内容长度,服务器信息,设置Cookie等。

  • 响应体

    请求资源的内容,如网页源代码,二进制数据等。

技术分享图片

技术分享图片

一般做网页请求的时候,可以先判断状态码是否是200,再取出响应体进行解析。

解析方式

  • 直接处理

  • Json解析

  • 正则表达式

  • BeautifulSoup

  • PyQuery

  • XPath

视情况选择合适的解析方式。

保存数据

  • 文本保存

    纯文本、Json、Xml等。

  • 关系型数据库保存

    mysql、Oracle、SQLServer等。

  • 非关系型数据库保存

    MongoDB、Redis等Key-Value形式存储。

  • 二进制文件

    图片、视频、音频等特定文件。

Urllib库

Python内置的HTTP请求库

模块说明
urllib.request 请求模块
urllib.error 异常处理模块
urllib.parse url解析模块
urllib.robotparser robots.txt解析模块

技术分享图片

技术分享图片

技术分享图片

技术分享图片

欢迎大家关注我的博客:https://home.cnblogs.com/u/Python1234/

欢迎加入千人交流学习群:125240963

以上是关于用Python玩爬虫,首先得有一个流程,这个流程最适合小白用!的主要内容,如果未能解决你的问题,请参考以下文章

python_爬虫 Scrapy 安装报错一整套处理流程

编写Python爬虫的简易流程描述

抓取新闻网站:异步爬虫实现的流程和细节

入门须知之网络爬虫的基本流程及抓取策略

python爬虫

Python 小爬虫流程总结