一，爬虫的基本流程
发起请求
通过HTTP库向目标站点发起请求，也就是发送一个Request，请求可以包含额外的header等信息，等待服务器响应
获取响应内容
如果服务器能正常响应，会得到一个Response，Response的内容便是所要获取的页面内容，类型可能是HTML,Json字符串，二进制数据（图片或者视频）等类型
解析内容
得到的内容可能是HTML,可以用正则表达式，页面解析库进行解析，可能是Json,可以直接转换为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
保存数据
保存形式多样，可以存为文本，也可以保存到数据库，或者保存特定格式的文件
二，爬取得数据如何解析：
1.直接处理 ，2.Json解析 3.正则表达式处理 4.BeautifulSoup解析处理 5.PyQuery解析处理
6.XPath解析处理
三，有时候爬去的数据和浏览器里显示的不一样的原因是
出现这种情况是因为，很多网站中的数据都是通过js，ajax动态加载的，所以直接通过get请求获取的页面和浏览器显示的不同。如何解决js渲染的问题？
分析ajax ，Selenium/webdriver，Splash，PyV8,Ghost.py
四，接下来会学习 Selenium/webdriver 爬虫
网友评论