一、爬虫基本原理
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
(1)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。
(2)获取响应内容：
如果服务器能正常响应，会得到一个Response，Response的内容是所获取的页面内容，类型可能有HTML、Json字符串、二进制数据（如图片视频）等类型。
(3)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。
(4)保存数据：
保存形式多样，可以保存为文本，可以保存至数据库，或者保存特定格式的文件。
3、Request与Response
(1)浏览器就发送消息给该网址所在的服务器，这个过程叫做HTTP Request。
(2)服务器收到浏览器发送的消息后，能够根据浏览器发送消息的内容，做响应处理，然后把消息回传给浏览器。这个过程叫做HTTP Response。
(3)浏览器收到服务器的Response信息后，会对信息进行相应处理，然后展示。
4、Request
(1)请求方式：
主要有GET、POST两种类型，另外还有HEAD、PUT、DELETE、OPTIONS等。
(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、一个视频都可以用URL唯一来确定。
(3)请求头：
包含请求时的头部信息，如User-Agent、Host、Cookies等信息。
(4)请求体：
请求时额外携带的数据，如表单提交时的表单数据（eg：fromdata）。
5、Response
(1)响应状态：
有多重响应状态，如200代表成功、301是跳转、404为找不到网页、502服务器错误
(2)响应头：
如内容类型、内容长度、服务器信息、设置Cookie等等；
(3)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
(1)网页文本：
如HTML文档，JSON格式文本等。
(2)图片：
获取二进制文本文件，保存为图片格式。
(3)视频：
同样为二进制文件，保存为音频格式即可，抓取方法如图片抓取方法。
(4)其他：
只要是能请求到的，都能获取。
7、解析方式
(1)直接处理
(2)Json解析
(3)正则表达式
(4)BeautifulSoup
(5)PyQuery
(6)XPath
8、为啥抓到的和浏览器看到的不一样
由于JavaScript渲染的问题，在network看到的代码（我们通过Python）与element中看到（JavaScript渲染的）不一样。
9、怎么解决JavaScript渲染的问题
(1)分析Ajax请求：
返回Json格式数据。
(2)Selenium/WebDriver：
来模拟一个浏览器。
(3)Splash：
https://github.com/scrapinghub/splash
(4)PyV8、Ghost.py：
10、怎样保存数据
(1)文本：
纯文本、Json、Xml等。
(2)关系型数据库：
如MySQL、Oracle、SQL Server等具有结构化表结构形式存储。
(3)非关系型数据库：
MongoDB、Redis等Key-Value形式存储。
(4)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。
持续更新…
最后更新： 2018年08月14日 15:42
