Python爬虫流程

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。

Request和Response

• Request
  主机向服务器发送数据请求时的过程叫做HTTP Request
• Response
  服务器向主机返回数据的过程叫做HTTP Response

Request中包含的内容

• 请求方式
  常用的有GET，POST两种类型。
  
  • GET
    这种请求方式的参数都包含在网址里面。
  • POST
    这种请求方式的参数包含在请求体中的form data中。相对安全。
• URL
  请求的网络链接。
• 请求头
  包含请求时的头部信息。如：User-Agent、Host、Cookies等。
  
  • User-Agent
    指定浏览器。
• 请求体
  GET请求下一般情况请求体中不会包含重要信息。
  POST请求中包含重要信息。

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