【零基础学爬虫】爬虫基本原理

什么是爬虫

请求网站，提取网页内容的最大化程序。获取到的是html代码，需要从这些文本中提取需要的数据

1. 发起请求：

向目标站点发送HTTP请求，即发送一个Request，请求可以包括额外的header等信息，等待服务器响应

2.获取响应内容

如果服务器正常，在第一步会返回一个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。

3.解析内容

得到的内容可能是HTML。可以使用正则表达式、网页解析库进行解析。如果是json，则可以直接解析为json对象进行解析；如果是二进制数据，可以保存或者进一步的处理。

4.保存数据：

可以存为文本，也可以保存到数据库或者特定格式的文件

request和response

request中包含什么？

response中包含哪些东西？

爬虫可以抓取什么样的数据？

获取到数据后，如何解析？

注意：

使用request.get(‘url’)得到的只是第一个请求的内容，即当我们执行：

import requests
response = requests.get('http://www.weibo.com')
print(response.text)#打印出的是第一个请求返回的代码

即返回的是下图中红色方框中的代码：

抓取到的数据和浏览器页面不一样？

原生的html是不包括任何信息的，页面显示的信息是通过后续的js调用后台的接口拿到数据，js再把网页加载出来的。所以elements中的源代码和我们拿到的源代码是不一样的：

如何解决这种JavaScript渲染问题？

• 分析Ajax请求：Ajax请求返回的结果就是Json格式字符串
• Selenium的WebDriver模拟或驱动一个浏览器网页，自动化测试根据。案例如下：

#pip install selenium
from selenium import webdirver
driver = webdriver.Chrom();#自动打开chrome浏览器
driver.get('www.weibo.com')#浏览器页面自动跳转到指定网址
print(driver.page_source)#获取到的源代码和浏览器页面的源代码一致，这是渲染后的页面源码，js渲染的问题就不存在了。

这种方式的缺点是后台会自动运行chrome浏览器

• Splash：和Selenium一样，都是用来模拟js渲染，可以是github上搜索，有详细的文档。
• 另外还有使用：PyV8、Ghost.py等库

###解决JavaScript渲染问题的方案总结

怎样保存数据

• 文本
• 关系型数据库
• 菲关系型数据库
• 二进制文件

---

扫描下方二维码，及时获取更多互联网求职面经、java、python、爬虫、大数据等技术，和海量资料分享：公众号后台回复“csdn”即可免费领取【csdn】和【百度文库】下载服务；公众号后台回复“资料”:即可领取5T精品学习资料、java面试考点和java面经总结，以及几十个java、大数据项目，资料很全，你想找的几乎都有