一、什么是爬虫

互联网比喻成一张网，每张网上的节点就是数据存储的地方；Python程序类似蜘蛛，到每个节点中抓取自己的猎物；爬虫是指：给网站发送请求，获取资源后解析并提取有用数据的程序

二、爬虫的执行流程

发送请求，获得数据（以图片，视频，js，css的形式），解析数据，存入数据库或文件中

爬虫执行流程

1、发送请求request

1
2
3
4
5
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 

Request模块缺陷：不能执行JS 和CSS 代码

2、获取响应内容 response

1
2
3
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

1
2
3
4
5
6
7
8
9
10
11
12
13
解析html数据：正则表达式（RE模块），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wb的方式写入文件

请求头需要注意的参数：

（1）Referrer：访问源至哪里来（一些大型网站，会通过Referrer 做防盗链策略；所有爬虫也要注意模拟）

（2）User-Agent:访问的浏览器（要加上否则会被当成爬虫程序）

（3）cookie：请求头注意携带

4、请求体

1
2
3
4
5
6
7
8
9
10
11
请求体

如果是get方式，请求体没有内容（get请求的请求体放在 url后面参数中，直接能看到）

如果是post方式，请求体是format data

    ps：

    1、登录窗口，文件上传等，信息都会被附加到请求体内

	2、登录，输入错误的用户名密码，然后提交，就可以看到post，正确登录后页面通常会跳转，无法捕捉到post

五、响应Response

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
1、响应状态码

　　200：代表成功

　　301：代表跳转

　　404：文件不存在

　　403：无权限访问

　　502：服务器错误



2、respone header

响应头需要注意的参数：

（1）Set-Cookie:BDSVRTM=0; path=/：可能有多个，是来告诉浏览器，把cookie保存下来

（2）Content-Location：服务端响应头中包含Location返回浏览器之后，浏览器就会重新访问另一个页面



3、preview就是网页源代码

JSO数据

如网页html，图片

二进制数据等

六、总结

1
2
3
4
5
6
7
8
9
10
11
12
13
1、总结爬虫流程：

 爬取--->解析--->存储



2、爬虫所需工具：

请求库：requests,selenium（可以驱动浏览器解析渲染CSS和JS，但有性能劣势（有用没用的网页都会加载）；） 

解析库：正则，beautifulsoup，pyquery 

存储库：文件，MySQL，Mongodb，Redis

参考：

作者：热心市民小蔡
链接：https://www.jianshu.com/p/2411490d6464