爬虫基本流程
-
发起请求
通过HTTP库向目标服务器发送Request，Request内可以包含额外的headers信息。
-
获取响应内容
如果服务器正常响应，会返回Response， 里面包含的就是该页面的内容。
-
解析数据
内容或许是HTML，可以用正则表达式、网页解析库进行解析。
或许是Json，可以直接转换为Json对象解析。
-
保存数据
可以存储为文本，也可以保存至数据库，或其他特定类型文件。
Response中包含的内容
-
响应状态
Status Code:200
即状态码，一般200表示响应成功。
-
响应头
Response Headers
内容类型，内容长度，服务器信息，设置Cookie等。
-
响应体
请求资源的内容，如网页源代码，二进制数据等。
一般做网页请求的时候，可以先判断状态码是否是200，再取出响应体进行解析。
解析方式
-
直接处理
-
Json解析
-
正则表达式
-
BeautifulSoup
-
PyQuery
-
XPath
视情况选择合适的解析方式。
保存数据
-
文本保存
纯文本、Json、Xml等。
-
关系型数据库保存
MySQL、Oracle、SQLServer等。
-
非关系型数据库保存
MongoDB、Redis等Key-Value形式存储。
-
二进制文件
图片、视频、音频等特定文件。
Urllib库
Python内置的HTTP请求库
| 模块 | 说明 |
|---|---|
| urllib.request | 请求模块 |
| urllib.error | 异常处理模块 |
| urllib.parse | url解析模块 |
| urllib.robotparser | robots.txt解析模块 |
欢迎大家关注我的博客：https://home.cnblogs.com/u/Python1234/
欢迎加入千人交流学习群：125240963