什么是爬虫
爬虫：即请求网站并提取数据的自动化程序。
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、网页解析库进行分析。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。
什么是Request和Response
- 浏览器发送消息给该网站所在的服务器，这个过程叫做HTTP Request。
- 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。
Request中包含什么？
- 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。
Response中包含什么？
- 响应状态：有多种响应状态，如200代表成功，301代表跳转，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。
能抓怎样的数据
- 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。
- 其他：只要是能请求到的，都能获取
怎样来解析
- 直接处理
- Json解析
- 正则表达式
- BeautifulSoup
- PyQuery
- Xpath
抓到的数据和看到的不一样
怎样解决JavaScript渲染的问题
- 分析Ajax请求
- Selenium/WebDriver
- Splash
- PyV8、Ghost.py
怎样保存数据
- 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、音频等直接保存成特定格式即可。