1、什么是爬虫？
网络爬虫，顾名思义"网络上爬来爬去的蜘蛛"
请求网站并提取数据的自动化程序。
2、爬虫的基本流程
①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。
②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，可以做保存或进一步的处理。
④保存数据
保存形式多样，可以存为文本，也可以保存到数据库，或者保存特定格式的文件。
3、什么是Request和Response？
Request和Response工作流程如下图：
一、Request包含什么？
①请求方式
主要有GET、POST两种类型，另外还有HEAD、PUT、DELETE、OPTIONS等。
②请求URL
URL全球统一资源定位符，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。
③请求头
包含请求时头部信息，如User-Agent、Host、Cookies等信息。
④请求体
请求时额外携带的数据，如表单提交时的表单数据。
二、Response包含什么？
①响应状态
有多种响应状态，如200代表成功，301代表跳转，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，包含请求资源的内容，如网页HTML、图片二进制数据等。
4、怎么样把获取的数据进行解析？
解析方式：
①直接处理（内容简单）
②Json解析（Ajax请求）
③正则表达式(规则字符串、文本)
④BeautifulSoup
⑤PyQuery
⑥XPath
5、为什么我们抓到的和浏览器看到的不一样？
怎么解决JavaScript渲染的问题？
①分析Ajax请求
②Selenium/WebDriver
③Splash
④PyV8、Ghost.py
6、可以怎样保存数据？
①文本
纯文本、Json、Xml
②关系型数据库
如MySQL、Oracle、SQL Server等具有结构化表结构形式存储。
③非关系型数据库
如MongoDB、Redis等Key-Value形式存储。
④二进制文件
如图片、视频、音频等直接保存成特定格式即可。
