爬蟲就是請求網站并提取數(shù)據(jù)的自動化程序。其中請求，提取，自動化是爬蟲的關鍵！下面我們分析爬蟲的基本流程

爬蟲的基本流程

發(fā)起請求

通過HTTP庫向目標站點發(fā)起請求，也就是發(fā)送一個Request，請求可以包含額外的header等信息，等待服務器響應

獲取響應內容

如果服務器能正常響應，會得到一個Response，Response的內容便是所要獲取的頁面內容，類型可能是HTML,Json字符串，二進制數(shù)據(jù)（圖片或者視頻）等類型

解析內容

得到的內容可能是HTML,可以用正則表達式，頁面解析庫進行解析，可能是Json,可以直接轉換為Json對象解析，可能是二進制數(shù)據(jù)，可以做保存或者進一步的處理

保存數(shù)據(jù)

保存形式多樣，可以存為文本，也可以保存到數(shù)據(jù)庫，或者保存特定格式的文件

什么是Request,Response

瀏覽器發(fā)送消息給網址所在的服務器，這個過程就叫做HTPP Request

服務器收到瀏覽器發(fā)送的消息后，能夠根據(jù)瀏覽器發(fā)送消息的內容，做相應的處理，然后把消息回傳給瀏覽器，這個過程就是HTTP Response

瀏覽器收到服務器的Response信息后，會對信息進行相應的處理，然后展示

Request中包含什么？請求方式

主要有：GET/POST兩種類型常用，另外還有HEAD/PUT/DELETE/OPTIONSGET和POST的區(qū)別就是：請求的數(shù)據(jù)GET是在url中，POST則是存放在頭部

GET:向指定的資源發(fā)出“顯示”請求。使用GET方法應該只用在讀取數(shù)據(jù)，而不應當被用于產生“副作用”的操作中，例如在Web Application中。其中一個原因是GET可能會被網絡蜘蛛等隨意訪問

POST:向指定資源提交數(shù)據(jù)，請求服務器進行處理（例如提交表單或者上傳文件）。數(shù)據(jù)被包含在請求本文中。這個請求可能會創(chuàng)建新的資源或修改現(xiàn)有資源，或二者皆有。

HEAD：與GET方法一樣，都是向服務器發(fā)出指定資源的請求。只不過服務器將不傳回資源的本文部分。它的好處在于，使用這個方法可以在不必傳輸全部內容的情況下，就可以獲取其中“關于該資源的信息”（元信息或稱元數(shù)據(jù)）。

PUT：向指定資源位置上傳其最新內容。

OPTIONS：這個方法可使服務器傳回該資源所支持的所有HTTP請求方法。用’*’來代替資源名稱，向Web服務器發(fā)送OPTIONS請求，可以測試服務器功能是否正常運作。

DELETE：請求服務器刪除Request-URI所標識的資源。

請求URL

URL，即統(tǒng)一資源定位符，也就是我們說的網址，統(tǒng)一資源定位符是對可以從互聯(lián)網上得到的資源的位置和訪問方法的一種簡潔的表示，是互聯(lián)網上標準資源的地址。互聯(lián)網上的每個文件都有一個唯一的URL，它包含的信息指出文件的位置以及瀏覽器應該怎么處理它。

URL的格式由三個部分組成：

第一部分是協(xié)議(或稱為服務方式)。 第二部分是存有該資源的主機IP地址(有時也包括端口號)。 第三部分是主機資源的具體地址，如目錄和文件名等。

爬蟲爬取數(shù)據(jù)時必須要有一個目標的URL才可以獲取數(shù)據(jù)，因此，它是爬蟲獲取數(shù)據(jù)的基本依據(jù)。

請求頭

包含請求時的頭部信息，如User-Agent,Host,Cookies等信息，下圖是請求請求百度時，所有的請求頭部信息參數(shù)

請求體

請求是攜帶的數(shù)據(jù)，如提交表單數(shù)據(jù)時候的表單數(shù)據(jù)（POST）

Response中包含了什么

所有HTTP響應的第一行都是狀態(tài)行，依次是當前HTTP版本號，3位數(shù)字組成的狀態(tài)代碼，以及描述狀態(tài)的短語，彼此由空格分隔。

響應狀態(tài)

有多種響應狀態(tài)，如：200代表成功，301跳轉，404找不到頁面，502服務器錯誤

1xx消息——請求已被服務器接收，繼續(xù)處理 2xx成功——請求已成功被服務器接收、理解、并接受 3xx重定向——需要后續(xù)操作才能完成這一請求 4xx請求錯誤——請求含有詞法錯誤或者無法被執(zhí)行 5xx服務器錯誤——服務器在處理某個正確請求時發(fā)生錯誤 常見代碼： 200 OK 請求成功 400 Bad Request 客戶端請求有語法錯誤，不能被服務器所理解 401 Unauthorized 請求未經授權，這個狀態(tài)代碼必須和WWW-Authenticate報頭域一起使用 403 Forbidden 服務器收到請求，但是拒絕提供服務 404 Not Found 請求資源不存在，eg：輸入了錯誤的URL 500 Internal Server Error 服務器發(fā)生不可預期的錯誤 503 Server Unavailable 服務器當前不能處理客戶端的請求，一段時間后可能恢復正常 301 目標永久性轉移 302 目標暫時性轉移

響應頭

如內容類型，類型的長度，服務器信息，設置Cookie,如下圖

響應體

最主要的部分，包含請求資源的內容，如網頁HTMl,圖片，二進制數(shù)據(jù)等

能爬取什么樣的數(shù)據(jù)

網頁文本：如HTML文檔，Json格式化文本等圖片：獲取到的是二進制文件，保存為圖片格式視頻:同樣是二進制文件其他：只要請求到的，都可以獲取

如何解析數(shù)據(jù)

直接處理 Json解析 正則表達式處理 BeautifulSoup解析處理 PyQuery解析處理 XPath解析處理

關于抓取的頁面數(shù)據(jù)和瀏覽器里看到的不一樣的問題

出現(xiàn)這種情況是因為，很多網站中的數(shù)據(jù)都是通過js，ajax動態(tài)加載的，所以直接通過get請求獲取的頁面和瀏覽器顯示的不同。

如何解決js渲染的問題？

分析ajax Selenium/webdriver Splash PyV8,Ghost.py

怎樣保存數(shù)據(jù)

文本：純文本，Json,Xml等

關系型數(shù)據(jù)庫：如mysql,oracle,sql server等結構化數(shù)據(jù)庫

非關系型數(shù)據(jù)庫：MongoDB,Redis等key-value形式存儲

以上就是Python 爬蟲的原理的詳細內容，更多關于Python爬蟲的原理的資料請關注好吧啦網其它相關文章！