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：

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：

查看状态码：

还可以将请求头添加到请求信息里面：

抓取图片（百度logo）：

　五、如何解决JavaScript渲染问题

使用Selenium webdriver

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