- 爬虫：请求网站并提取数据的自动化程序。
- 4个基本流程：发起请求，获取响应内容，解析内容，保存数据。
1、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全称为统一资源定位符，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。
3、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：请求时额外携带的数据，如表单提交时的表单数据。 - Response
1、响应状态：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。 - 抓取的数据：
1、网页文本：如HTML文档，Json格式文本等。
2、图片：获取的是二进制文件，保存为图片格式。
3、同为二进制文件，保存为视频格式即可。
4、只要是能请求到的，都能获取。 - 解析方式：
1、直接处理；
2、Json解析；
3、正则表达式；
4、BeautifulSoup；
5、PyQuery；
6、XPath。 - 解决JavaScript渲染问题：
1、分析Ajax请求；
2、Selenium/WebDriver（驱动浏览器来加载一个网页）
3、Splash；
4、PyV8、GHost.py。 - 保存数据：
1、文本：纯文本，Json、Xml等；
2、关系型数据库：如mysql、oracle、SQL server等具有结构化表结的形式存储；
3、非关系型数据库：如MongoDB、Redis等key-value形式存储；
4、二进制文件：如图片、视频、音频等等直接保存成特定格式即可。
- Python内置的HTTP请求库：Urllib
1、urllib.request 请求模块
2、urllib.error 异常处理模块
3、urllib.parse url解析模块
4、urllib.robotparser robots.txt解析模块
- Requests库
1、其用python语言编写，基于urllib，采用Apache2 Licensed 开源协议的HTTP库。
- 正则表达式
1、非python独有，re模块实现
- BeautifulSoup库
1、灵活又方便的网页解析库，处理高效，支持多种解析器，利用它不用编写正则表达式即可方便地实现网页信息的提取。
网友评论