标签:01 浏览器 请求 基本原理 爬虫 信息 Json Response
之前分享了许多 Python 网络爬虫的教程文章,可是没有系统的和更加深入的开始学习。此篇文章将开启 AI悦创爬虫教程系统学习及其进阶的爬虫教程 欢迎各位关注!
1. 什么是爬虫?
当今最大的网络是互联网,最大的爬虫就是各类搜索引擎,包括谷歌、百度等。网络爬虫就是按照一定规则去爬取人类所需要的信息的程序,主要通过对URL的请求来实现。一般来说,从搜索引擎这类爬虫搜索到的信息是非常宽泛的,而且夹杂着各种广告,信息是不纯粹的,也有可能不是我们需要的。这种时候,就需要一些聚焦于某一方面信息的爬虫来为我们服务,比方说,专门爬取某一类书籍的信息,在网站上浏览的时候,可能会有形形色色的图片和一些其他信息干扰我们,如果编写网络爬虫的话,就可以单单把自己想要的信息存储下来,以便数据分析,提取有用的信息。
总而言之:爬虫是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的内容便是所要获取的页面内容,类型可能有HTML,Json字符串,二进制数据(如图片视频)等类型。
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,可以存为文本,也可以保存至数据库,或者保存特定格式的文件。
下面给出图片的形式,方便同学们做笔记:
3.什么是 Request 和 Response?
①Request 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HTTPRequest。
(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,做相应处理,然后把消息回传给浏览器。这个过程叫做HTTPResponse。
(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。
②Request 中包含什么?
(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、一个视频等都可以用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
也为了方便同学笔记:
4.Response 中包含什么?
① Response
5.能抓怎样的数据?
-
网页文本:如HTML文档、Json格式文本等。
-
图片:获取到的是二进制文件,保存为图片格式。
-
视频:同为二进制文件,保存为视频格式即可。
-
其他:只要是能请求到的,都能获取。
6.怎样来解析?
解析方式
7.为什么我抓到的和浏览器看到的不一样?
有些网站是用动态加载的,例如:Ajax、JavaScript等方法进行渲染;
所以,我们看到的页面是经过渲染的页面,而我们用库直接发送的 url 请求是未经过渲染的代码,有许多调用 JavaScript 的代码。
8.怎样解决 JavaScript 渲染的问题?
-
分析Ajax请求
-
Selenium/WebDriver
-
Splash :
-
官方文档:https://splash.readthedocs.io/en/stable/
-
GitHub:https://github.com/scrapinghub/splash
-
-
PyV8、Ghost.py
9.可以怎样保存数据?
-
文本:纯文本、Json、Xml等。
-
关系型数据库:如MySQL、Oracle、SQL Server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、音频等等直接保存成特定格式即可。
最后聊一句: 现在的网络爬虫大体可以分为四类:全网爬虫,主题爬虫,增量式爬虫和深层爬虫。
下一篇,我将继续带你了解爬虫一些理解与形式!
往期回顾:
......
标签:01,浏览器,请求,基本原理,爬虫,信息,Json,Response 来源: https://blog.51cto.com/aiyc/2921424
本站声明: 1. iCode9 技术分享网(下文简称本站)提供的所有内容,仅供技术学习、探讨和分享; 2. 关于本站的所有留言、评论、转载及引用,纯属内容发起人的个人观点,与本站观点和立场无关; 3. 关于本站的所有言论和文字,纯属内容发起人的个人观点,与本站观点和立场无关; 4. 本站文章均是网友提供,不完全保证技术分享内容的完整性、准确性、时效性、风险性和版权归属;如您发现该文章侵犯了您的权益,可联系我们第一时间进行删除; 5. 本站为非盈利性的个人网站,所有内容不会用来进行牟利,也不会利用任何形式的广告来间接获益,纯粹是为了广大技术爱好者提供技术内容和技术思想的分享性交流网站。