爬虫的基本流程

发送请求。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的内容便士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，可以保存至数据库，或者保存特定格式的文件。

Request和Response

浏览器发送消息给该网址所在的服务器，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信息之后，会对信息进行相应处理，然后展示。

Request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全程同一资源定位符，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包含什么？

响应状态。有多种响应状态，如200代表成功、301跳转、404找不到页面、502服务器错误等。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。

实例

import requests response = requests.get('http://www.baidu.com')

这里完成了像百度服务器请求的发送，然后获取响应。 然后获取百度的源代码（响应体）：

print(response.text)

有了响应体就可以对源代码进行解析了。 获取响应头：

print(response.headers)

获取状态码：

print(response.status_code)

状态码为200说明正常访问了百度。 刚刚没有传入headers，现在传入headers试试： 打开网页的源码：

复制这里的User-Agent，比如我的是：https://pics6.baidu.com/feed/64380cd7912397dda437d21a589954b1d0a28707.jpeg?token=ad200f77bdeed57adc64b20a21abc215 然后创建一个字典：

headers = {} # 将User-Agent字段添加进去： headers['User-Agent'] = 'https://pics6.baidu.com/feed/64380cd7912397dda437d21a589954b1d0a28707.jpeg?token=ad200f77bdeed57adc64b20a21abc215'

然后重新发送请求，将headers作为参数传入：

response = requests.get('http://www.baidu.com',headers=headers)

看看相应：

print(response.status_code)

成功访问。 下面简单地爬一张图片：

# 将一张图片的URL复制过来，然后传入get里 response = requests.get('https://pics6.baidu.com/feed/64380cd7912397dda437d21a589954b1d0a28707.jpeg?token=ad200f77bdeed57adc64b20a21abc215') # 输出图片的二进制流，获得响应体的二进制格式 print(response.content)

这里仅仅输出来的是响应体的二进制格式，可以使用python的写入方法来获取图片：

# 输入的参数分别为图片的储存路径和模式 with open('d:\\desktop\\td.jpg', 'wb') as f: f.write(response.content) f.close()

打开桌面的图片就可以看见：

是万茜。

爬虫能抓取怎样的数据？

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 只要能请求成功的就能爬取。如文档等。

如何解析网页？

直接处理。当网页抓取的是字符串，去除一些空格就可以。要求网站本身的结构比较简单，返回的内容也比较简单。json解析。返回的是json字符串。正则表达式beautifulSoup(解析库)pyQuery（解析库）xpath（解析库）