请求网站并提取数据的自动化程序。
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。
获取响应
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,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处理。
保存数据
保存形式多样,可以存为文本,也可以保存至数据库,或者保存特定格式的文件。
主要有GET、POST两种类型,另外还有HEAD、PUT、DELETE、OPTIONS等。
URL全称统一资源定位符,入一个网页文档、一张图片、一个视频等都可以用URL唯一来确定。
包含请求时的头部文件,包含了很重要配置信息,如User_Agent、Host、Cookies等信息。
请求时额外携带的数据,如表单提交时的表单数据。一般GET请求无需请求体,POST请求则需要请求体。
status_code
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。
headers
如内容类型、内容长度、服务器信息、设置Cookie等等。键值对的形式。
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。
如HTML文档、Json格式文本等。
获取到的是二进制文件、保存为图片格式。
python //example 保存了一个图片 import requests response = requests.get('https://www.baidu.com/img/baidu_jgylogo3.gif') print(response.content) with open('C:/Users/Administrator/Desktop/1.gif', 'wb') as f: f.write(response.content)
同为二进制文件,保存为视频格式即可。
因为抓到的结果里面有很多js文件,里面包含的网页中内容的请求。浏览器则是把所有js加载完毕后才显示出来的。
纯文本、Json、Xml等
如MySQL、Oracle、SQL Server等具有结构化表结构形式存储。
如MongoDB、Redis等Key_Value形式存储。
如图片、视频、音频等等直接保存成特定格式即可。
如对本文有疑问, 点击进行留言回复!!
给Django Admin添加验证码和多次登录尝试限制的实现
网友评论