爬虫的原理（基本流程，Request与Response，怎么解决JavaScript渲染的问题，怎么保存数据）

什么是爬虫？
爬虫就是请求网站并提取数据的自动化程序。

爬虫基本流程

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等配置信息，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，其中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，可以做保存或者进一步的处理。
4.保存数据：保存形式多样，可以存为文本，也可以保存至数据库，或者保存特定格式的文件。

Request与Response

（1）浏览器发送消息给该网址所在的服务器，这个过程就叫做HTTP Request。
（2）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，做相应处理，然后把消息回传给浏览器。这个过程叫做HTTP Response。
（3）浏览器收到服务器的Response信息后，会对信息进行相应处理，然后展示。

Request

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。
3.请求头：包含请求时的头部信息，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。

Response

1.相应状态：有多种响应状态，如200代表成功、301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，包含了请求资源的内容，如网页HTML、图片二进制数据等。

简单试验

在python交互模式下执行以下命令：
import requests
response=requests.get(‘http://www.baidu.com’)
print(response.text)

这些命令将一次 requests后得到的response的内容通过库里的get方法获取，并打印出来。

还可以看看response的响应头长啥样：
print(response.headers)

可以看到这是一个字典形式的结构。
再看看状态码：
print(response.status_code)

以上就是简单用代码感受以下Request与Response的过程。

能抓怎样的数据

1.网页文本：如HTML文档、Json格式文本等。
2.图片：获取到的是二进制文件，保存为图片格式。
3.视频：同为二进制文件，保存为视频格式即可。
4.其他：只要是能请求到的，都能获取。

怎样来解析

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

为什么我们抓到的和浏览器审查看到的不一样？

以微博为例，我们可以看一下首页的源代码（右键：检查）：

将代码赋值到文本编辑器中看一下：

可以看到这里有许多用js配置的形式，和我们直接浏览网站看到的并不一样。
现在我们用命令行试试，在python交互模式下执行以下命令：
import requests
requests.get(‘http://m.weibo.com’)
requests.get(‘http://m.weibo.com’).text
可以看到窗口中打印一堆密集的东西，这和刚才文本编辑器中看到的内容是一样的。
问题的回答就是：网页最终显示的页面源码是经过浏览器解释后的，我们get或者post请求到的源码是服务器直接返回的。二者是不一样的。

怎么解决JavaScript渲染的问题

1.分析Ajax请求

返回的是json格式的字符串，方便我们提取数据

2.用Selenium/WebDriver驱动一个浏览器来模拟加载网页

演示一下，在python交互模式下执行以下命令：
from selenium import webdriver
driver=webdriver.Chrome()
driver.get(‘http://m.weibo.com’)
driver.get(‘http://www.taobao.com’)
print(driver.page_source)
(注意，需要先安装webdriver这个库，以及Chromedriver，详情可以看这篇文章：https://blog.csdn.net/z714405489/article/details/83047772)
系统就会驱动一个浏览器，并且访问我们请求的网址，最后可以将该页面的源代码打印出来，这和我们审查网页源代码时看到的就是一样的了。

3.Splash

可以在github搜索详情。

4.PyV8、Ghost.py等等其他的库

怎样保存数据？

1.文本：纯文本、Json、Xml等。
2.关系型数据库：MySQL、Oracke、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、音频等等直接保存成特定格式即可。