Python爬虫【一】爬虫的基本原理

1、爬虫基本原理

1.获取网络数据

用户方式：浏览器提交请求->下载网页代码->解析/渲染成页面

爬虫方式：模拟浏览器发送请求->下载网页代码->只提取有用的数据->存放于数据库或文件中

2.爬虫的基本原理

向网站发起请求，获取资源后分析并提取有用数据的程序

3.爬虫的基本流程

#一、发起请求
使用http库向目标站点发起请求，即发送一个Request，Request包含：请求头、请求体等

#二、获取响应内容
若是服务器能正常响应，则会获得一个Response，Response包含：html，json，图片，视频等

#三、解析内容
解析html数据：正则表达式，第三方解析库如Beautifulsoup，pyquery等
解析json数据：json模块
解析二进制数据:以b的方式写入文件

#四、保存数据
数据库，文件

4.request和response

Request：用户将本身的信息经过浏览器（socket client）发送给服务器（socket server）

Response：服务器接收请求，分析用户发来的请求信息，而后返回数据（返回的数据中可能包含其余连接，如：图片，js，css等）

浏览器在接收Response后，会解析其内容来显示给用户，而爬虫程序在模拟浏览器发送请求而后接收Response后，是要提取其中的有用数据。

 5.Request

#一、请求方式：
    经常使用的请求方式：GET，POST
    其余请求方式：HEAD，PUT，DELETE，OPTHONS

    ps：用浏览器演示get与post的区别，（用登陆演示post）

    post与get请求最终都会拼接成这种形式：k1=xxx&k2=yyy&k3=zzz
    post请求的参数放在请求体内：
        可用浏览器查看，存放于form data内
    get请求的参数直接放在url后

#二、请求url
    url全称统一资源定位符，如一个网页文档，一张图片
    一个视频等均可以用url惟一来肯定

    url编码
    https://www.baidu.com/s?wd=图片
    图片会被编码（看示例代码）


    网页的加载过程是：
    加载一个网页，一般都是先加载document文档，
    在解析document文档的时候，遇到连接，则针对超连接发起下载图片的请求

#三、请求头
    User-agent：请求头中若是没有user-agent客户端配置，
    服务端可能将你当作一个非法用户
    host
    cookies：cookie用来保存登陆信息

    通常作爬虫都会加上请求头


#四、请求体
    若是是get方式，请求体没有内容
    若是是post方式，请求体是format data

    ps：
    一、登陆窗口，文件上传等，信息都会被附加到请求体内
    二、登陆，输入错误的用户名密码，而后提交，就能够看到post，正确登陆后页面一般会跳转，没法捕捉到post

6.Response　

#一、响应状态
    200：表明成功
    301：表明跳转
    404：文件不存在
    403：权限
    502：服务器错误

#二、Respone header
    set-cookie：可能有多个，是来告诉浏览器，把cookie保存下来
    
#三、preview就是网页源代码
    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