java爬⾍preview数据_从零开始带你掌握爬⾍的基本流程简单来说互联⽹是由⼀个个站点和⽹络设备组成的⼤⽹，我们通过浏览器访问站点，站点把HTML、JS、CSS代码返回给浏览器，这些代码经过浏览器解析、渲染，将丰富多彩的⽹页呈现我们眼前;
　⼀、爬⾍是什么?
如果我们把互联⽹⽐作⼀张⼤的蜘蛛⽹，数据便是存放于蜘蛛⽹的各个节点，⽽爬⾍就是⼀只⼩蜘蛛，
沿着⽹络抓取⾃⼰的猎物(数据)爬⾍指的是：向⽹站发起请求，获取资源后分析并提取有⽤数据的程序;
从技术层⾯来说就是 通过程序模拟浏览器请求站点的⾏为，把站点返回的HTML代码/JSON数据/⼆进制数据(图⽚、视频) 爬到本地，进⽽提取⾃⼰需要的数据，存放起来使⽤;
⼆、爬⾍的基本流程：
⽤户获取⽹络数据的⽅式：
⽅式1：浏览器提交请求--->下载⽹页代码--->解析成页⾯
⽅式2：模拟浏览器发送请求(获取⽹页代码)->提取有⽤的数据->存放于数据库或⽂件中
爬⾍要做的就是⽅式2;
1、发起请求
使⽤http库向⽬标站点发起请求，即发送⼀个Request
Request包含：请求头、请求体等structural distributing
Request模块缺陷：不能执⾏JS 和CSS 代码
2、获取响应内容
plt subplots 的用法
如果服务器能正常响应，则会得到⼀个Response
Response包含：html，json，图⽚，视频等
3、解析内容
解析html数据：正则表达式(RE模块)，第三⽅解析库如Beautifulsoup，pyquery等
解析json数据：json模块
解析⼆进制数据：以wb的⽅式写⼊⽂件
4、保存数据
数据库(MySQL，Mongdb、Redis)
⽂件
三、http协议 请求与响应
Request：⽤户将⾃⼰的信息通过浏览器(socket client)发送给服务器(socket server)
Response：服务器接收请求，分析⽤户发来的请求信息，然后返回数据(返回的数据中可能包含其他链接，如：图⽚，js，css等)
ps：浏览器在接收Response后，会解析其内容来显⽰给⽤户，⽽爬⾍程序在模拟浏览器发送请求然后接收Response后，是要提取其中的有⽤数据。
四、 request
1、请求⽅式：
常见的请求⽅式：GET / POSTwell structured
2、请求的URL
url全球统⼀资源定位符，⽤来定义互联⽹上⼀个唯⼀的资源 例如：⼀张图⽚、⼀个⽂件、⼀段视频都可以⽤url唯⼀确定
url编码
图⽚会被编码(看⽰例代码)
⽹页的加载过程是：
加载⼀个⽹页，通常都是先加载document⽂档，
在解析document⽂档的时候，遇到链接，则针对超链接发起下载图⽚的请求
3、请求头
User-agent：请求头中如果没有user-agent客户端配置，服务端可能将你当做⼀个⾮法⽤户host;
cookies：cookie⽤来保存登录信息
注意： ⼀般做爬⾍都会加上请求头
请求头需要注意的参数：
(1)Referrer：访问源⾄哪⾥来(⼀些⼤型⽹站，会通过Referrer 做防盗链策略；所有爬⾍也要注意模拟)
(2)User-Agent：访问的浏览器(要加上否则会被当成爬⾍程序)
(3)cookie：请求头注意携带
4、请求体
请求体 如果是get⽅式，请求体没有内容(get请求的请求体放在 url后⾯参数中，直接能看到)如果是post⽅式，请求体是format data ps： 1、登录窗⼝，⽂件上传等，信息都会被附加到请求体内 2、登录，输⼊错误的⽤户名密码，然后提交，就可以看到post，正确登录后页⾯通常会跳转，⽆法捕捉到post
五、 响应Response
python请求并解析json数据1、响应状态码
200：代表成功
301：代表跳转
404：⽂件不存在
403：⽆权限访问
502：服务器错误
2、respone header
响应头需要注意的参数：
(1)Set-Cookie:BDSVRTM=0; path=/：可能有多个，是来告诉浏览器，把cookie保存下来
qsl4aapp是什么意思
(2)Content-Location：服务端响应头中包含Location返回浏览器之后，浏览器就会重新访问另⼀个页⾯
3、preview就是⽹页源代码
JSO数据
如⽹页html，图⽚
⼆进制数据等
php去除html标签
总结爬⾍流程：爬取--->解析--->存储，通过以上的介绍相信你对爬⾍的基本流程有了了解，更多python相关⾏业动态和学习资料，可以关注“武汉千锋”！

版权声明：本站内容均来自互联网，仅供演示用，请勿用于商业和其他非法用途。如果侵犯了您的权益请与我们联系QQ:729038198，我们将在24小时内删除。