爬虫基本流程

• 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。

• 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。

• 解析内容

  得到的内容可能时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处理。

• 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。

Request和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HTTP Request。

（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的处理，然后把消息回传给浏览器。这个过程叫做HTTP Response。

（3）浏览器收到服务器的Response信息后，会对信息进行相应处理，然后渲染展示。

Request

请求方式

主要有GET、POST两种类型，另外还有HEAD、PUT、DELETE、OPTIONS等。

请求URL

URL全称统一资源定位符，如果一个网页文档、一张图片、一个视频等都可以用URL唯一来确定。

请求头

包含请求时的头部信息，如User-Agent、Host、Cookies等信息。

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

（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。

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。

解析方式

• 直接处理

• Json解析

• 正则表达式

• BeautifulSoup

• PyQuery

• XPath

如何解决JavaScript渲染问题？

• 分析Ajax请求

• Selenium/WebDriver

• Splash

• PyV8、Ghost.py

如何保存数据？

• 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储存。

• 非关系型数据库

  如MongDB、Redis等key-value形式储存。

• 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。