小白用Python玩爬虫，必须了解的一个爬虫流程!

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。

 

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。在学习中有迷茫不知如何学习的朋友小编推荐一个学Python的学习q u n 227  -435-  450可以来了解一起进步一起学习！免费分享视频资料

 

 

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.parseurl解析模块urllib.robotparserrobots.txt解析模块