爬虫基本原理

爬虫基本原理

爬虫：请求网站并提取数据的自动化程序

请求
提取
自动化

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等信息的，等待服务器响应
2、如果服务器能正常响应，会得到一个Response，Response的内容便是所要获得的页面内容，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，可以保存为文本，也可以保存至数据库，或者保存特定格式的文件

Request：
浏览器就发送消息给网址所在的服务器，这个过程就叫HTTP Request
1、请求方式：
GET、POST、HEAD、PUT、DELETE、OPTION
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

Response：
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HTTP Response
1、响应状态
有多种响应状态，如200代表成功、301跳转、404找不到页面、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
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

解决JavaScript渲染
· 分析Ajax（XRH）请求
· 使用Selenium/Webdriver（模拟JS渲染）
· Splash（模拟JS渲染）
· PyV8、Ghost.py（模拟加载js）