day01 爬虫
一.什么是爬虫
1.1 什么是互联网
互联网是由网络设备(网线，路由器，交换机，防火墙等等)和一台台计算机连接而成，像一张网一样。
1.2互联网建立的目的
互联网的核心价值在于数据的共享/传递：数据是存放于一台台计算机上的，而将计算机互联到一起的目的就是为了能够方便彼此之间的数据共享/传递。
1.3什么是上网，爬虫要做的是什么
上网就是由用户端计算机发送请求给目标计算机，将目标计算机的数据下载到本地的过程。
浏览器提交请求---->下载网页代码---->解析/渲染成页面
爬虫程序要做的是：
模拟浏览器发送请求----->下载网页代码------>提取有用的数据------>存放到数据库或文件中
所以爬虫与普通上网的区别就是爬虫只提出有用的数据。
1.4爬虫的定义
定义：向网站发送请求，获取资源后分析并提取有用数据的程序。
二.爬虫的基本流程
发送请求--->获取响应内容---->解析内容---->保存数据
1、发起请求
使用http库向目标站点发起请求，即发送一个Request
Request包含：请求头、请求体等
2、获取响应内容
如果服务器能正常响应，则会得到一个Response
Response包含：html，json，图片，视频等
3、解析内容
解析html数据：正则表达式，第三方解析库如Beautifulsoup，pyquery等
解析json数据：json模块
解析二进制数据:以b的方式写入文件
4、保存数据
数据库
文件
Request：用户将自己的信息通过浏览器（socket client）发送给服务器（socket server）。
Response：服务器接收请求，分析用户发来的请求信息，然后返回数据（返回的数据中可能包含其他链接，如：图片，js，css等）
ps：浏览器在接收Response后，会解析其内容来显示给用户，而爬虫程序在模拟浏览器发送请求然后接收Response后，是要提取其中的有用数据。
三.request
1、请求方式：
常用的请求方式：GET，POST
其他请求方式：HEAD，PUT，DELETE，OPTHONS
post与get请求最终都会拼接成这种形式：k1=v1&k2=v2&k3=v3
post请求的参数放在请求体内：
可用浏览器查看，存放于form data内
get请求的参数直接放在url后
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
网页的加载过程是：
加载一个网页，通常都是先加载document文档，
在解析document文档的时候，遇到链接，则针对超链接发起下载图片的请求
3、请求头
User-agent：请求头中如果没有user-agent客户端配置，服务端可能将你当做一个非法用户
host
cookies：cookie用来保存登录信息
一般做爬虫都会加上请求头
4、请求体
如果是get方式，请求体没有内容
如果是post方式，请求体是format data
四.response
1、响应状态
200：代表成功
301：代表跳转
404：文件不存在
403：权限
502：服务器错误
2、Respone header
set-cookie：可能有多个，是来告诉浏览器，把cookie保存下来
3、preview就是网页源代码
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