python爬虫

逃离我推掉我的手 2022-02-23 13:38 328阅读 0赞

## 爬虫 ##

### 定义 ###

请求网站并提取数据的自动化程序

### 基本流程 ###

*  向服务器发起请求：即发送一个Request，请求可以包含额外的headers等信息，等待服务器的响应
 *  获取相应内容：如果服务器正常响应，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、二进制文件（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，可以直接转成JOSN对象进行解析，可能是二进制数据，可以保存或者进一步处理
 *  保存内容：保存形式多样，可以保存成文本，也可以保存至数据库，或者保存成特定格式的文件。

--------------------

### Response和Request ###

*  HTTP Request：浏览器就发送消息给该网址所在的服务器的这个过程
 *  HTTP 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，做相应的处理，然后把消息回传给浏览器的过程

浏览器收到服务器的Response信息后，会对信息进行处理、渲染，然后展示给用户（爬虫没有经过浏览器的处理，所以拿到的就是Response中的数据）

--------------------

### Request包含的内容 ###

*  请求方式
    
     *  GET（主要）
     *  POST（主要）
     *  HEAD
     *  PUT
     *  DELETE
     *  OPTIONS

请求方式主要有：GET/POST两种类型常用，另外还有HEAD/PUT/DELETE/OPTIONS
        GET和POST的区别就是：请求的数据GET是在url中，POST则是存放在头部
        
        GET:向指定的资源发出“显示”请求。使用GET方法应该只用在读取数据，而不应当被用于产生“副作用”的操作中，例如在Web Application中。其中一个原因是GET可能会被网络蜘蛛等随意访问
        
        POST:向指定资源提交数据，请求服务器进行处理（例如提交表单或者上传文件）。数据被包含在请求本文中。这个请求可能会创建新的资源或修改现有资源，或二者皆有。
        
        HEAD：与GET方法一样，都是向服务器发出指定资源的请求。只不过服务器将不传回资源的本文部分。它的好处在于，使用这个方法可以在不必传输全部内容的情况下，就可以获取其中“关于该资源的信息”（元信息或称元数据）。
        
        PUT：向指定资源位置上传其最新内容。
        
        OPTIONS：这个方法可使服务器传回该资源所支持的所有HTTP请求方法。用'*'来代替资源名称，向Web服务器发送OPTIONS请求，可以测试服务器功能是否正常运作。
        
        DELETE：请求服务器删除Request-URI所标识的资源

*  请求URL：URL全称是统一资源定位符，如一个网页文档、一张图片、一个视屏等都可以用URL来唯一确定
 *  请求头：包含请求时的头部信息
    
     *  User-Agent：访问的浏览器（不加可能会被当成爬虫程序）
     *  Host：请求主机地址
     *  Cookies：cookie用来保存登录信息
     *  Referrer：访问源（一些大型网站，会通过Referrer做防盗链策略）

### Response包含的内容 ###

*  响应状态
    
     *  1xx消息：请求已被服务器接受，继续处理
     *  2xx成功：请求已成功被服务器接受、理解、并接受
     *  3xx重定向：需要后续操作才能完成这一请求
     *  4xx请求错误：请求含有此法错误或者无法被执行
     *  5xx服务器错误：服务器在处理某个正确请求时发生错误
 *  响应头
    
     *  内容类型
     *  内容长度
     *  服务器信息
     *  设置cookies
 *  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

--------------------

### 解析方式 ###

1.  **直接处理**
2.  **JSON解析**
3.  **正则表达式**
4.  **BeautifulSoup**
5.  **PyQuery**
6.  **XPath**

### 动态JS加载 ###

**有时，网页返回是JS动态加载的，直接用请求库访问获取到的是JS代码，不是经过浏览器渲染后的结果**

#### 解决方法 ####

*  分析Ajax请求
 *  Selenium/WebDriver
 *  Splash
 *  PyV8、[Ghost.py][]

--------------------

### 保存数据 ###

*  文本
    
     *  纯文本
     *  JSON
     *  Xml
 *  关系型数据库
    
     *  MySQL
     *  Oracle
     *  SQL Server
 *  非关系型数据库
    
     *  MongoDB
     *  Redis
     *  Key-Value
 *  二进制文件：保存成特定格式即可

[Ghost.py]: http://Ghost.py