py爬虫自学入门__1

# 1> 爬虫基本原理
#
#    爬虫：请求网站并提取数据的自动化程序
#    写代码代替浏览器在网页上获取资源（html代码），在资源文本中（大批量的）采集想要的数据信息
#
# 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（配置）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的内容就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：
#               保存形式多种多样，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。
#
# 3> Request 和 Response

#   1) 浏览器就发送消息给网址所在的服务器，这个过程叫做HTTP Request。
#   2) 服务器收到浏览器发送的消息之后，能够根据浏览器发送的消息内容，做相应处理，然后把消息回传给浏览器。这个过程叫做HTTP Response。
#   3) 浏览器接收到服务器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.
#                  GET请求参数都在URL后面进行实现  POST请求则需要构造一个表单，通过填写提交表单进行实现(登陆知乎等)

#    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.
#
# 5> Response
#    1) 响应状态： 有多种响应状态，如200成功、301跳转、404找不到服务器、502服务器错误.

#    2) 响应头： 如服务类型、内容长度、服务器信息、设置Cookie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格式文档等.
#    2) 图片： 获取的是二进制文件，保存为图片格式.
#    3) 视频： 获取的是二进制文件，保存为视频格式.
#    4) 其他： 只要能请求到的都能获取.

一次简单的爬百度图片尝试

rersponse.content-->二进制文件形式

此处已经将图片下载保存成功.

# &&&爬百度可以，爬谷歌就不行（不知道原因）

# 7> 解析方式： 1、直接处理 2、Jdon解析 3、正则表达式 4、BeautifulSoup 5、PyQuery 6、XPath
#
# 8> 我们抓到的（源代码）和浏览器上看到（经过JS渲染...等等）的不一样
#
# 9> 怎么解决JS渲染的问题？
#     1) 分析Ajax请求    2) Selenium/WebDriver    3) Splash     4) PyV8、Ghost.py
#
# 10> 怎么保存数据？
#    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： 如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.
#
# 注：7、8、9都没咋滴听懂，后面用的时候慢慢理解吧.
# B站课程个人笔记