python爬虫原理
1、什么是爬虫
爬虫本质上就是一段请求网站并提取数据的自动化程序。可以抓取网络上网页文本、图片、视频等文件，理论只要能够访问到的资源，都可以通过爬虫获取，爬取成功后，可以保存到文本、关系数据库、非关系数据库、二进制文件等。
2、爬虫基本流程
2.1、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。
2.2、获得响应
如果服务器能正常响应，会得到一个服务端响应对象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。
2.3、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。
2.4、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。网络资源为我可用。
3、Request与Response
3.1、Request
浏览器就发送消息给该网址所在的服务器，这个过程叫做HTTP Request(发送请求)。
Request包含以下内容:
1、请求方式
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地址来唯一确定。
3、请求头
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
请求体其实就是请求时需要传递给服务端额外携带的数据，如登陆时表单提交时的表单数据。
3.2、Response
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。
Response响应包含以下内容：
1、响应状态
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。
4、解析方式
1、直接处理
2、Json解析
3、正则表达式解析
4、BeautifulSoup解析
5、XPath解析
…
点击咨询 