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（如图片类型）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。
Request
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
响应状态
有多种响应状态，如200：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。
相应体
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。
能抓到怎样的数据?
- 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。
- 其它 只要是能请求到的，都能获取。
解析方式
- 直接处理
- Json解析
- 正则表达式
- BeautifulSoup
- PyQuery
- XPath
怎样解决JavaScripy渲染的问题?
- 分析Ajax请求
- Selenium/WebDriver
- Splash
- PyV8、Ghost.py
怎样来保存数据？
- 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形实存储
- 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
