什么是爬虫？爬虫的基本流程是什么？

    网络爬虫是一种程序,主要用于搜索引擎,它将一个网站的所有内容与链接进行阅读,并建立相关的全文索引到数据库中,然后跳到另一个网站.样子好像一只大蜘蛛.
当人们在网络上(如google)搜索关键字时,其实就是比对数据库中的内容,找出与用户相符合的.网络爬虫程序的质量决定了搜索引擎的能力,如google的搜索引擎明显要比百度好,就是因为它的网络爬虫程序高效,编程结构好.

一、什么是爬虫　　

　　首先简单的理解一下爬虫。即请求网站并且提取自己所需的数据的一个过程。至于怎么爬如何爬，将是后面进行学习的内容，暂且不必深究。通过我们的程序，可以代替我们向服务器发送请求，然后进行批量、大量的数据的下载。

二、爬虫的基本流程

1. 发起请求：通过url向服务器发起request请求，请求可以包含额外的header信息。

2. 获取响应内容：如果服务器正常响应，那我们将会收到一个response，response即为我们所请求的网页内容，或许包含HTML，Json字符串或者二进制的数据（视频、图片）等。

3. 解析内容：如果是HTML代码，则可以使用网页解析器进行解析，如果是Json数据，则可以转换成Json对象进行解析，如果是二进制的数据，则可以保存到文件进行进一步处理。

4. 保存数据：可以保存到本地文件，也可以保存到数据库（MySQL，Redis，Mongodb等）　

　　

　 三、request请求包含什么

　　　　当我们通过浏览器向服务器发送request请求时，这个request包含了一些什么信息呢？我们可以通过chrome的开发者工具进行说明（如果不知道如何使用看本篇备注）。

1. 请求方式：最常用的请求方式包括get请求和post请求。post请求在开发中最常见的是通过表单进行提交，从用户角度来讲，最常见的就是登录验证。当你需要输入一些信息进行登录的时候，这次请求即为post请求。

2. url统一资源定位符：一个网址，一张图片，一个视频等都可以用url去定义。当我们请求一个网页时，我们可以查看network标签，第一个通常是一个document，也就是说这个document是一个未加外部图片、css、js等渲染的html代码，在这个document的下面我们会看到一系列的jpg，js等，这是浏览器根据html代码发起的一次又一次的请求，而请求的地址，即为html文档中图片、js等的url地址

3. request headers：请求头，包括这次请求的请求类型，cookie信息以及浏览器类型等。 这个请求头在我们进行网页抓取的时候还是有些作用的，服务器会通过解析请求头来进行信息的审核，判断这次请求是一次合法的请求。所以当我们通过程序伪装浏览器进行请求的时候，就可以设置一下请求头的信息。

4. 请求体：post请求会把用户信息包装在form-data里面进行提交，因此相比于get请求，post请求的Headers标签的内容会多出Form Data这个信息包。get请求可以简单的理解为普通的搜索回车，信息将会以?间隔添加在url的后面。

　　

　四、response包含什么

1. 响应状态：通过Headers中的General可以看到status code。200表示成功，301跳转，404找不到网页，502服务器错误等。

2. 响应头：包括了内容的类型，cookie信息等。

3. 响应体：请求的目的就是为了得到响应体，包括html代码，Json以及二进制数据等。

 

　 五、简单的请求演示

　　　　通过Python的request库进行网页请求：

　　　　

　　　　输出的结果就是还未渲染的网页代码，即请求体的内容。可以查看响应头的信息：

　　　　

　　　　查看状态码：

　　　　

　　　　还可以将请求头添加到请求信息里面：

　　　　

　　　　抓取图片（百度logo）：

　　　　

 

　六、如何解决JavaScript渲染问题 

　　　　使用Selenium webdriver

　　　　

　　　　输入print(driver.page_source)可以看到，这次的代码是渲染之后的代码。

【备注】chrome浏览器的使用

• F12打开开发者工具

　　

 

　　Elements标签显示了显然后的HTML代码。

• Network标签

　　

　　Network标签下有浏览器请求的数据，点开可以查看详细的信息，如上提到的request headers、response headers等等。

以上是什么是爬虫？爬虫的基本流程是什么？的详细内容。更多信息请关注PHP中文网其他相关文章！