前言

可以说很多人学编程，不玩点爬虫确实少了很多意思，不管是业余、接私活还是职业爬虫，爬虫世界确实挺精彩的。

今天来给大家浅谈一下爬虫，目的是让准备学爬虫或者刚开始起步的小伙伴们，对爬虫有一个更深更全的认知。

哪怕你没学过爬虫，看完这篇文章你也能明白爬虫的原理！

---

文章目录

• • 前言
  • 一、认识爬虫
  • • 1.什么是爬虫？
    • 2.爬虫的分类
    • 3.Robots协议
  • 二、爬虫的基本流程
  • • 1.爬虫的4步
    • 2.Request和Response
  • 三、了解Request
  • • 1.请求方式
    • 2.请求URL
    • 3.请求头
    • 4.请求体
    • 5.实操查看Request
  • 四、了解Response
  • • 1.响应状态
    • 2.响应头
    • 3.响应体
  • 五、爬虫能获取到什么样的数据？
  • 六、如何解析数据？
  • 七、怎么保存数据？
  • 结语

---

一、认识爬虫

1.什么是爬虫？

用一句话来给大家介绍大名鼎鼎的爬虫：请求网站并提取数据的自动化程序。

通俗易懂一点讲，爬虫能干什么？它能帮你从网站上自动下载大量的文字、图片、视频、音频等等的数据，不用你一个一个地手动去操作。

2.爬虫的分类

根据使用场景，爬虫可以分为三类：

①通用爬虫（大而全）
功能强大，采集面广泛，通常用于搜索引擎，比如百度浏览器就是一个很大的爬虫程序。

②聚焦爬虫（小而精）
功能相对单一，只针对特定网站的特定内容进行爬取，比如说去某个网站批量获取某些数据，这也是我们个人最常用的一种爬虫了。

③增量式爬虫（只采集更新后的内容）
这其实是聚焦爬虫的一个迭代爬虫，它只采集更新后的数据，对老数据是不采集，相当于一直存在并运行，只要有符合要求的数据更新了，就会自动爬取新的数据。

---

3.Robots协议

在爬虫中有一个叫Robots协议需要注意一下，又称为“网络爬虫排除标准”，它的作用就是网站告诉你哪些东西能爬，哪些不能爬。

这个Robots协议去哪看？一般情况下直接在网站首页网址后面加/robots.txt就能查看。

比如百度的Robots协议就在https://www.baidu.com/robots.txt ，可以看到里面有很多网址都规定了不能爬。

比如Disallow:/shifen/ 说明当前Disallow:/shifen以及Disallow:/shifen下面的子目录网页均不能爬。

其实这个Robots协议属于一个君子协议，对于爬虫者来说，基本上就是口头协议，你违反了它你有可能会被追究法律责任，但不违反它，爬虫将是爬不到什么数据，所以平时双方都是睁一只闭一眼，不要太嚣张就可以了。

---

二、爬虫的基本流程

1.爬虫的4步

爬虫是怎么干活的？爬虫程序大致上可以分为四步走：

①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。

②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字符串和二进制数据(如图片视频)等类型。

③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。

④保存数据
保存的数据样式很多，可以保存为文本，也可以保存至数据库，或者保存为特定格式的文件。

基本上这就是爬虫要遵循的四步了。

---

2.Request和Response

Request和Response是爬虫中最重要的一部分，Request和Response是什么关系？它们两的关系如下图：

简单理解一下：

当我们在电脑的浏览器上搜索某个东西的时候，比如前面的所说的在百度搜索“Python”，你点击百度一下，就已经向百度的服务器发送了一个Request请求，Request包含了很多的信息，比如身份信息、请求信息等等，服务器接收请求之后做判断，然后返回一个Response给我们的电脑，这其中也包含了很多信息，比如请求成功与否，比如我们请求的信息结果（文字、图片和视频等等）。

这样讲应该很好理解吧？接下来我们再好好去看一下Request和Response。

---

三、了解Request

Request包含了哪些东西？它主要包含了以下一些东西：

1.请求方式

请求方式可以理解为你跟网站打招呼的方式，你要从网站拿到数据，你就得用正确的方式去跟它打招呼，它才有可能理你。

就好比你要别人家借个东西，你得先敲门再说你好，你直接爬窗户进去这谁瞧见了都得给你撵出去。

主要的请求方式有GET和POST，另外还有HEAD/PUT/DELETE/OPTIONS等等其他方式，其中最常用的还是GET这种请求方式。

---

2.请求URL

什么是URL？URL全称统一资源定位符，比如一个网页文档、图片、视频等等都有唯一的URL，在爬虫中我们可以理解为网址或者链接。

---

3.请求头

什么是请求头？英文名Request Headers，通常是指请求时包含的头部信息，比如User-Agent、Host、Cookies等等。

这些东西它相当于你向网站发送请求时你的身份信息，这里面经常需要伪装一下自己，伪装成普通用户，避免你的目标网站识别出来你是爬虫程序，规避一些反扒问题，顺利拿到数据。

---

4.请求体

官方一点的说辞就是请求时额外携带的数据，如表单提交时的表单数据。

怎么理解？就比如说你去你岳父家提亲，你不能空着手过去提亲对吧？你得带点东西才像个提亲的样子，你岳父才会把女儿许配给你，这是大家通用的礼数，少不了的。

在爬虫当中怎么理解？比如说在某些页面你得先登录了或者你得告诉我你请求什么，比如说你在百度这个网页中搜索“Python”，那么这个“Python”这个关键字就是你要携带的请求体，看到了你的请求体，百度才知道你要干什么。

当然了，请求体通常是用在POST这种请求方式里面，在GET请求时我们通常是拼接在URL里面，这里先理解一下就可以了，后续具体爬虫可以去加深理解。

---

5.实操查看Request

既然Request的理论我们已经讲过了，那么我们就可以去实操看一下Request具体在哪个位置以及包含哪些东西。

以谷歌浏览器Chrome为例，我输入关键字“Python”可以搜索出一堆结果，我们来用网页自带的控制台窗口来分析一下我们发出的Request请求。

按住F12或者在网页空白处右键选择“检查”，然后可以看到控制台里面有很多选择，比如说上面那一栏有一个菜单栏，初级爬虫一般我们就比较常用到的是Elements（元素）和Network（网络），其他的东西暂时用不到，等你学到了高级一点的爬虫就会用到了，比如JS逆向的时候可能会用到Application这个窗口，后面用到了再了解。

Elements包含了所有的请求结果的每一个元素，比如每一个图片的源代码都是有的，尤其是当你点了左上角的小箭头之后，你移动到的每一个地方在Elements窗口下都会显示对于的源代码。

Network就是爬虫常用到的网络信息，其中就有我们的Request，我们来看一下，在Network窗口下，勾选Disable cache(禁用缓存)，并把All点上。

刷新一下网页看看效果，可以看出我们发出了132个Request请求，这个不用好奇，虽然我们只是向百度发出了“Python”这么一个请求，但有些是网页附带的请求。

虽然里面有很多类型，什么图片格式的png啊jpeg等等，但是你可以滑动到最上面，在Type(类型)那一列中有document这种类型，就是网页文档的意思，点击进去就有我们的Request信息。

点击document进去之后，又有一栏新的菜单栏，在Headers那一栏下面，我们可以看到 Request URL，也就是我们前面说的请求URL，这个URL才是我们真正向网页请求的URL，然后还有请求方式，可以看出来是GET请求这种方式。

往下再滑动一下，还可以看到我们前面讲的请求头 Request Headers ，信息很多，但我们前面讲的User-Agent、Host、Cookies都是有的，这些都是我们给服务器的信息。

Request Headers里面内容虽然多，我们在写爬虫程序的时候也是要在这方面做伪装工作，但并不是所有的信息我们都要写，选择性地写一些重要的信息就可以了，比如User-Agent必带，Referer和Host是选择性地带，cookie在要登录的情况下会带，常用的也就4项要做伪装。

至于请求体这里我就暂时不做查看了，因为我们这里的请求方式是GET请求，在POST请求中才能查看到请求体，没关系，爬虫用到了你自然就会明白的。

---

四、了解Response

Response主要包括3块内容，我们来一一了解一下。

1.响应状态

我们发送请求之后，网站会返回给我们一个Response，这其中就包括了响应状态码对于的响应状态，大致可以分为以下几种：

①200范围，比如响应状态码200则表示成功。

②300范围，比如301表示跳转。

③400范围，比如404找不到网页。

④500范围，比如502找不到网页。

对于爬虫来说，两三百则是我们最希望看到的响应状态，有可能会拿到数据，四五百基本上就凉了，拿不到数据的。

比如我们刚在在前面的Request请求发送时，在document文件中，在Headers窗口下的General里面可以看出响应状态码是200，说明网页成功响应了我们的请求。

---

2.响应头

服务器给我们的信息里面也会有响应头这一部分，这里面包含了内容类型、内容长度、服务器信息和设置Cookie等等。

其实响应头对我们来说并不是那么重要，这里了解一下就可以了。

---

3.响应体

这个就很重要了，除了前面第一点的响应状态，就是它了，因为它包含了请求资源的内容，比如网页HTML和图片二进制数等等。

响应体在哪里呢？也是在document文件里面的Response那一栏，可以往下滑动就可以看出里面有很多响应的数据，这就是我们获取到的数据，有的是可以直接下载的，有的则是需要用技术去解析才能拿到。

---

五、爬虫能获取到什么样的数据？

爬虫能获取到什么样的数据？基本上可以分为这么几类：

①网页文档，如果HTML文档、Json格式文本等。

②图片，获取的是二进制文件，保存为图片格式即可。

③视频，也是二进制文件，保存为视频格式即可。

④其他的，反正其他能够看得见的东西，理论上都是可以用爬虫获取的，具体的话得看难度的大小。

---

六、如何解析数据？

从前面我们可以发送请求成功之后，网页会给我们返回很多的数据，有几千甚至几万条代码，那么如何在这么多的代码中找到我们想要的数据？常用的方法有以下几个：

①直接处理。当网页返回数据就是一些文本，就是我们想要的内容，不需要过滤处理，直接处理就可以。

②Json解析。如果网页返回的不是HTML数据是Json数据，那么就需要用到Json解析技术。

③正则表达式。如果返回的数据是符合正则表达式的数据，就可以用正则去做解析。

④其他解析方式。常用的有XPath、BeautifulSoup和PyQuery，这些都是爬虫常用的解析库。

---

七、怎么保存数据？

拿到数据后，常用的保存数据方法有以下几种：

①文本。可以直接保存为纯文本、EXCEL、Json、Xml等等类型的文本。

②关系型数据库。数据可以保存到关系型数据库，比如MySQL和Oracle等等数据库。

③非关系型数据库。如MongoDB、Readis和Key-Value形式储存。

④二进制文件。如图片、视频、音频等等直接保存为特定格式即可。

关于爬虫，今天就先讲到这里，欢迎在下方评论区留言交流。

---

结语

爬虫是把双刃剑，用来“砍瓜切菜”还是“伤人性命”，全凭使用者一念之间，希望大家合理利用爬虫。

当然了，如果你技术很菜，你想做点出格的事都是不可能滴。

感谢你们的阅读和喜欢，我收藏了很多技术干货，可以共享给喜欢我文章的朋友们，如果你肯花时间沉下心去学习，它们一定能帮到你，干货内容包括：

点击文末的名片可以抱走