爬虫原理
Web网络爬虫系统的功能是下载网页数据，为搜索引擎系统提供数据来源。很多大型的网络搜索引擎系统都被称为基于 Web数据采集的搜索引擎系统，比如 Google、Baidu。由此可见Web 网络爬虫系统在搜索引擎中的重要性。网页中除了包含供用户阅读的文字信息外，还包含一些超链接信息。Web网络爬虫系统正是通过网页中的超连接信息不断获得网络上的其它网页。正是因为这种采集过程像一个爬虫或者蜘蛛在网络上漫游，所以它才被称为网络爬虫系统或者网络蜘蛛系统，在英文中称为Spider或者Crawler。
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。
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
Request：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。
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。浏览器收到服务器的Response信息后，会对信息进行相应处理，然后展示。
Request详解
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详解
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。
响应头：如内容类型、内容长度、服务器信息、设置Cookie等等。
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。
能抓取哪些数据
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。
And so on: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
抓取中出现的问题
问：为什么我抓到的和浏览器看到的不一样？
答：网页通过浏览器的解析，加载CSS与JS等文件对网页进行解析渲染，达到我们看到绚丽的网页，而我们抓到的文件只是一些代码，css文件无法调用，使得样式不能表现出来，那么网页就会出现错位等等问题。
问：怎样解决JavaScript渲染的问题？
答：分析Ajax请求、Selenium/WebDriver、Splash、PyV8、Ghost.py等库
爬虫ip代理软件——掘金网ip代理
网友评论