1. 爬虫是什么

爬虫

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。
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。
而爬虫程序要做的就是：
模拟浏览器发送请求（requests,selenium）->下载网页代码->只提取有用的数据（bs4,xpath,re）->存放于数据库或文件中（文件,excel,mysql,redis,mongodb）
两者的区别在于：
我们的爬虫程序只提取网页代码中对我们有用的数据。

总结

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。
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 。
爬虫的价值：
互联网中最有价值的便是数据，比如天猫商城的商品信息，贝壳网的租房信息，雪球网的证券投资信息等等，这些数据都代表了各个行业的真金白银，可以说，谁掌握了行业内的第一手数据，谁就成了整个行业的主宰，如果把整个互联网的数据比喻为一座宝藏，那我们的爬虫课程就是来教大家如何来高效地挖掘这些宝藏，掌握了爬虫技能，你就成了所有互联网信息公司幕后的老板，换言之，它们都在免费为你提供有价值的数据。

2. 爬虫的基本流程

爬虫基本流程

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（难）、请求体（难）、请求方法
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格式（bs4,xpath），json格式，xml格式，图片，视频，加密的未知格式（需要解密）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（MongoDB（json格式数据））
文件

3. 请求与响应

请求与响应

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）
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。

4. 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

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
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

5. 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

6. 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