一、什么是爬虫 爬虫就是用程序自动化访问网站并抓取数据。 二、.爬虫的基本流程 1.向服务器发起请求 通过HTTP库向目标站点发起请求，即发送一个Request，请求可以包含额外的headers等信息，等待服务器响应。 2.获取服务器响应内容 如果服务器能正常响应，会得到一个Response， Response的内容便是所要获取的页面内容，类型可能有HTML，Json字符串，二进制数据（如图片视频）等类型。 3.解析服务器响应内容 得到的内容可能是HTML，可以用正则表达式、网页解析库进行解析。可能是Json，可以直接转为Json对象解析，可能是二进制数据，可以做保存或者进一步的处理。 4.保存数据 保存形式多样，可以存为文本，也可以保存至数据库，或者保存特定格式的文件，通常保存到数据库，一般大数据公司都是保存在mangodb 三、.Request详解 1.什么是Request 浏览器就发送消息给该网址所在的服务器，这个过程叫做HTTP Request。 2.Request包含哪些内容 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。这个很关键，一般请求大型网站，UA和headers这只不对会不能访问，cookies保持会话也非常重要，比如爬去淘宝，登陆淘宝成功后可以使用cookies去获取订单详情等 四、Response详解 1.什么是Response 服务器收到浏览器发送的消息后，能够根据浏览器发送消息的内容，做相应处理，然后把消息回传给浏览器。这个过程叫做HTTP Response。 2.Response包含了那些内容 1）响应状态码：有多种响应状态，如200代表成功、301跳转、404找不到页面、502服务器错误，一般我会以200来判断网站是否访问成功 2）响应头：如内容类型、内容长度、服务器信息、设置Cookie，可能还有token之类的，服务器用以校验请求是否合法等。 3）响应体：最主要的部分，包含了请求资源的内容，如网页HTML、json，图片二进制数据等。 五、.能抓什么样的数据 1.网页文本：如HTML文档、Json格式文本等。 2.图片：获取到的是二进制文件，保存为图片格式。 3.音视频：同为二进制文件，保存为音、视频格式即可 4其他：只要是能请求到的，都能获取。 六、抓到数据怎么解析 1.直接处理，比如返回简单的字符串 2.json解析，比如返回的内容是json串 3.正则表达式，通过正则表达式去匹配提取的内容 4.BeautifulSoup 专业html解析库 5.Pyquery 6.通过xpath提取
