目录
一、爬虫的定义
一、爬虫的定义
基本上网：
浏览器提交请求->下载网页代码->解析/渲染成页面。
爬 虫：
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
两者区别：
我们只是爬取对我们有用的数据
二、爬虫的流程
#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
三、请求
3.1 请求的定义
Request：用户将自己的信息(浏览器信息，ip，地址，cookie，请求内容等等)
通过浏览器（socket client）
发送给服务器（socket server）
3.2请求的组成部分
#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：告诉它这是浏览器发过来的请求（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）务必加上 host cookies：cookie用来保存登录信息 Referer:上次的请求页面，有些网站直接去post的话，会被限制，因为没有带上上次请求的页面地址 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
四、响应
#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 Location：跳转 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