一.什么是爬虫？
请求网站并提取数据的自动化程序
爬虫的基本流程
发起请求
通过HTTP库向⽬目标站点发起请求，即发送⼀一个Request，请求可以包含额外的headers等信息，等待服务器器响应。
获取响应内容
如果服务器器能正常响应，会得到⼀一个Response， Response的内容便便是所要获取的⻚页⾯面内容，类型可能有HTML，Json字符串串，⼆二进制数据（如图⽚片视频）等类型。
解析内容
得到的内容可能是HTML，可以⽤用正则表达式、⽹网⻚页解析库进⾏行行解析。可能是Json，可以直接转为Json对象解析，可能是⼆二进制数据，可以做保存或者进⼀一步的处理理。
保存数据
保存形式多样，可以存为⽂文本，也可以保存⾄至数据库，或者保存特定格式的⽂文件。
什么是Request和Response?
（1） 浏览器器就发送消息给该⽹网址所在的服务器器，这个过程叫做HTTP Request。
（2） 服务器器收到浏览器器发送的消息后，能够根据浏览器器发送消息的内容，做相应处理理，然后把消息回传给浏览器器。这个过程叫做HTTP Response。
（3） 浏览器器收到服务器器的Response信息后，会对信息进⾏行行相应处理理，然后展示。
Request中包含什什么？
请求⽅方式
主要有GET、POST两种类型，另外还有HEAD、PUT、DELETE、OPTIONS等。
请求URL
URL全称统⼀一资源定位符，如⼀一个⽹网⻚页⽂文档、
⼀一张图⽚片、⼀一个视频等都可以⽤用URL唯⼀一来确定。
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中包含什什么？
响应状态
有多种响应状态，如200代表成功、301跳转、404找不不到⻚页⾯面、502服务器器错误
响应头
如内容类型、内容⻓长度、服务器器信息、设置Cookie等等。
响应体
最主要的部分，包含了了请求资源的内容，如⽹网⻚页HTML、图⽚片⼆二进制数据等。
能抓怎样的数据？
网页文本
如HTML⽂文档、Json格式⽂文本等。
图片
获取到的是⼆二进制⽂文件，保存为图⽚片格式。
视频
同为⼆二进制⽂文件，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
为什么我抓到的和浏览器器看到的不一样？
怎样解决JavaScript渲染的问题？
分析Ajax请求
Selenium/WebDriver
Splash
PyV8、Ghost.py
可以怎样保存数据？
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
如图⽚片、视频、⾳音频等等直接保存成特定格式即可。
