您的位置:新闻资讯 >文章内容
爬虫如何抓取数据?爬虫的基本流程介绍
来源:零下一度 作者:admin 时间:2018-11-28 17:24:45

    爬虫如何抓取数据?如今互联网无处不在,稍微了解互联网知识的人都知道,爬虫是用来爬取数据的,主要是用于搜索引擎。但你知道爬虫是怎么抓取数据的吗?


    爬虫就像一只大蜘蛛,它将一个网站的所有内容与链接进行阅读,并建立相关的全文索引到数据库中,然后跳到另一个网站。当大家在搜索关键词时,其实就是比对数据库中的内容,找出与用户相符合的,网络爬虫程序的质量决定了搜索引擎的能力。


    下面精灵代理跟大家分享一下爬虫如何抓取数据,在抓取数据的过程中,会遇到哪些问题。


一、爬虫的基本流程

发起请求:通过url向服务器发起request请求,请求可以包含额外的header信息。  

获取响应内容:如果服务器正常响应,那我们将会收到一个response,response即为我们所请求的网页内容,或许包含HTML,Json字符串或者二进制的数据(视频、图片)等。

解析内容:如果是HTML代码,则可以使用网页解析器进行解析,如果是Json数据,则可以转换成Json对象进行解析,如果是二进制的数据,则可以保存到文件进行进一步处理。

保存数据:可以保存到本地文件,也可以保存到数据库(MySQL,Redis,Mongodb等) 

  二、request请求包含什么

当我们通过浏览器向服务器发送request请求时,这个request包含了一些什么信息呢?

请求方式:最常用的请求方式包括get请求和post请求。post请求在开发中最常见的是通过表单进行提交,从用户角度来讲,最常见的就是登录验证。当你需要输入一些信息进行登录的时候,这次请求即为post请求。

url统一资源定位符:一个网址,一张图片,一个视频等都可以用url去定义。当我们请求一个网页时,我们可以查看network标签,第一个通常是一个document,也就是说这个document是一个未加外部图片、css、js等渲染的html代码,在这个document的下面我们会看到一系列的jpg,js等,这是浏览器根据html代码发起的一次又一次的请求,而请求的地址,即为html文档中图片、js等的url地址。

request headers:请求头,包括这次请求的请求类型,cookie信息以及浏览器类型等。 这个请求头在我们进行网页抓取的时候还是有些作用的,服务器会通过解析请求头来进行信息的审核,判断这次请求是一次合法的请求。所以当我们通过程序伪装浏览器进行请求的时候,就可以设置一下请求头的信息。

请求体:post请求会把用户信息包装在form-data里面进行提交,因此相比于get请求,post请求的Headers标签的内容会多出Form Data这个信息包。get请求可以简单的理解为普通的搜索回车,信息将会以?间隔添加在url的后面。

 三、response包含什么

响应状态:通过Headers中的General可以看到status code。200表示成功,301跳转,404找不到网页,502服务器错误等。

响应头:包括了内容的类型,cookie信息等。

响应体:请求的目的就是为了得到响应体,包括html代码,Json以及二进制数据等。

  四、简单的请求演示

通过Python的request库进行网页请求:

 爬虫如何抓取数据?爬虫的基本流程介绍

输出的结果就是还未渲染的网页代码,即请求体的内容。可以查看响应头的信息:

 爬虫如何抓取数据?爬虫的基本流程介绍

查看状态码:

爬虫的基本流程介绍

还可以将请求头添加到请求信息里面:

抓取图片(百度logo):

 爬虫如何抓取数据?爬虫的基本流程介绍

 五、如何解决JavaScript渲染问题

使用Selenium webdriver

 爬虫如何抓取数据

输入print(driver.page_source)可以看到,这次的代码是渲染之后的代码。


相关文章内容简介
在线客服
大客户VIP渠道
点击这里给我发消息
讨论QQ群
HTTP代理IP爬虫
客服电话
13318873961