一 什么是爬虫
1 什么是上网？爬虫要做的是什么？ 我们所谓的上网便是由用户端计算机发送请求给目标计算机，将目标计算机的数据下载到本地的过程。 #3.1 只不过，用户获取网络数据的方式是： 浏览器提交请求->下载网页代码->解析/渲染成页面。 2而爬虫程序要做的就是： 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 我们的爬虫程序只提取网页代码中对我们有用的数据 3、总结爬虫 3.1爬虫的比喻： 如果我们把互联网比作一张大的蜘蛛网，那一台计算机上的数据便是蜘蛛网上的一个猎物，而爬虫程序就是一只小蜘蛛，沿着蜘蛛网抓取自己想要的猎物/数据 3.2爬虫的定义： 向网站发起请求，获取资源后分析并提取有用数据的程序
二 爬虫的基本流程
#1、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 #2、获取响应内容 如果服务器能正常响应，则会得到一个Response Response包含：html，json，图片，视频等 #3、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 #4、保存数据 数据库 文件
三 请求与响应
#http协议：http://www.cnblogs.com/linhaifeng/articles/8243379.html #Request：用户将自己的信息通过浏览器（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，然后返回数据（返回的数据中可能包含其他链接，如：图片，js，css等） #ps：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然后接收Response后，是要提取其中的有用数据。
四 Request
#1、请求方式： 常用的请求方式：GET，POST 其他请求方式：HEAD，PUT，DELETE，OPTHONS ``` ps：用浏览器演示get与post的区别，（用登录演示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 ``` #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 ``` 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，通常都是先加载document文档， 在解析document文档的时候，遇到链接，则针对超链接发起下载图片的请求 ``` #3、请求头 User-agent：请求头中如果没有user-agent客户端配置， 服务端可能将你当做一个非法用户 host cookies：cookie用来保存登录信息 ``` 一般做爬虫都会加上请求头 ``` #4、请求体 如果是get方式，请求体没有内容 如果是post方式，请求体是format data ``` ps： 1、登录窗口，文件上传等，信息都会被附加到请求体内 2、登录，输入错误的用户名密码，然后提交，就可以看到post，正确登录后页面通常会跳转，无法捕捉到post ```
五 Response
#1、响应状态 200：代表成功 301：代表跳转 404：文件不存在 403：权限 502：服务器错误 #2、Respone header set-cookie：可能有多个，是来告诉浏览器，把cookie保存下来 #3、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
六 总结
#1、总结爬虫流程： 爬取--->解析--->存储 #2、爬虫所需工具： 请求库：requests,selenium 解析库：正则，beautifulsoup，pyquery 存储库：文件，MySQL，Mongodb，Redis #3、爬虫常用框架： scrapy