爬虫这个词我们经常听说,可以对于没有进行过爬虫工作的人来说,可能还是没有什么概念。在过去代理IP还没用于爬虫的时候,爬虫工作非常复杂麻烦,现在有了这类工具协助,爬虫的门槛变低了。那么,爬虫的流程究竟是什么样子的?
一、爬虫基本流程
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。
获取响应内容: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。
解析内容: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。
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。
二、Request和Response
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。
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。浏览器收到服务器的Response信息后,会对信息进行相应处理,然后展示。
1、Request详解
请求方式:主要有GET、POST两种类型,另外还有HEAD、PUT、DELETE、OPTIONS等。
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。
请求头:包含请求时的头部信息,如User-Agent、Host、Cookies等信息。
请求体:请求时额外携带的数据如表单提交时的表单数据。
2、Response详解
响应状态: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
响应头:如内容类型、内容长度、服务器信息、设置Cookie等等。
响应体: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。
三、解析方式
直接处理
Json解析
正则表达式
BeautifulSoup
PyQuery
XPath
四、保存数据
文本:纯文本、Json、Xml等。
关系型数据库:如MySQL、Oracle、SQL Server等具有结构化表结构形式存储。
非关系型数据库:如MongoDB、Redis等Key-Value形式存储。
二进制文件:
如图片、视频、音频等等直接保存成特定格式即可。
五、能抓取哪些数据
网页文本:如HTML文档、Json格式文本等。
图片:获取到的是二进制文件,保存为图片格式。
视频:同为二进制文件,保存为视频格式即可。
以上就是有关爬虫的基本操作流程,如果你也想要对数据进行采集和分析,那么用代理IP来进行爬虫就再合适不过了。