爬虫的基本原理

基本原理

  可以把网页与网页之间的链接关系比作节点中的连线，爬虫可以根据网页中的关系获取后续的网页，当整个网站涉及的页面全部被爬虫访问到后，网站的数据就被访问下来了。

1.爬虫概述

  简单点讲，爬虫就是获取网页并提取和保存信息的自动化程序。
总结原理就是：构造发送请求->获取网页->解析提取->存储

• 获取网页**
    获取网页这里指的就是获取网页源代码，因为源代码包含网页的部分有用信息。
    向网站的服务器发送一个请求，服务器返回的响应体便是网页源代码。所以爬虫获取网页最关键的部分就是构造一个请求并发送给服务器，然后接收到响应并对其进行解析。
    python对此提供了许多库，可以帮助我们实现，比如：urllib、requests等，我们可以用这些库帮助我们完成http请求操作。
• 提取信息
    发送请求接收到响应体中的源代码后，接下来就是分析源代码，从中提取到我们想要的数据。最通用也是比较万能的方法就是正则表达式，但是构造正则表达式比较复杂也容易比较出错。
    另外可以根据网页结构的规则，可以根据网页节点属性、CSS选择器、xpath来提取网页信息，如Beautiful Soup、pyquery、lxml等。使用这些库，可以高效的从源代码中提取网页信息，如节点的属性、文本值等。
• 保存数据
    提取到信息，后面考虑的就是要如何保存它来方便后续使用。保存数据形式多种多样，可以简单的保存为TXT文本、JSON文本、CSV文件、XLSX文件等，也可以保存到数据库，如MySQL、MongoDB等，还可以保存至远程服务器，如借助SFTP操作等。
• 自动化程序
    爬虫可以替代人来完成上述操作，在爬取的过程中可以进行各种异常处理、错误重试等操作，确保爬取持续高效的运行。

2.能爬怎样的数据

  网页中存在各种各样的信息，最常见的就是常规网页，这些网页对应着HTML代码，最长抓取的就是HTML源代码。
  另外可能有的网页中返回的不是HTML代码，而是一个JSON字符串（API接口大多是这种形式），这种格式方便传输和解析。爬虫同样可以爬取这些数据，而且解析提取会更加方便。
  网页中还包含各种二进制数据，利用爬虫我们可以保存这些二进制数据，然后保存成对应的文件名。
  除了上述数据，网页中还存在各种扩展名文件，如CSS、JavaScript和配置文件等。这些文件只要在浏览器里可以访问到就可以抓取下来。
  上述内容其实都有对应的URL，URL基于HTTP/HTTPS协议，只要是这种数据，爬虫都可以抓取。

3.JavaScript渲染的页面

  有时候，我们利用urllib、requests抓取网页时，得到的源代码和浏览器中实际看到的并不一样。
  这种问题其实十分常见，因为现在越来越多的网页时采用Ajax、前端模块化工具构建的，可能整个网页都是JavaScript渲染出来的，也就是说HTML代码实际上就是一个空壳。
  浏览器打开这种页面时，首先会加载HTML内容，接着浏览器会发现其中引入了js文件，然后就会请求获取该文件，执行其中的JavaScript代码，JavaScript会改变HTML中的节点，向其中添加内容，最后得到完整页面。
  用urllib、requests请求这种页面时，得到的只是HTML代码，它不会继续加载JavaScript文件，所以也就无法得到完整网页内容。
  对于这种情况，我们可以分析源代码后台Ajax接口，也可以使用Selenium、Splash、Pytteteer、Playwright这样的库来模拟JavaScript渲染。