前言
爬虫是门很有意思的技术，可以通过爬虫技术获取一些别人拿不到或者需要付费才能拿到的东西，也可以对大量数据进行自动爬取和保存，减少时间和精力去手动做一些累活。
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。
————————————————
版权声明：本文为CSDN博主「退休的龙叔」的原创文章，遵循CC 4.0 BY-SA版权协议，转载请附上原文出处链接及本声明。
原文链接：https://blog.csdn.net/zhiguigu/article/details/121093342
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。
我们来拆开理解一下爬虫:
请求网站的意思就是向网站发送请求，比如去百度搜索关键字“Python”，这个时候我们的浏览器就会向网站发送请求；
提取数据，数据包括了图片、文字、视频等等，都叫数据，在我们发送请求之后，网站会呈现搜索结果给我们，这其实就是返回了数据，这时候我们就可以对数据进行提取；
自动化程序，也就是我们写的代码，实现了自动提取程数据，比如批量对返回的图片进行下载和保存，替代我们一张一张图片进行手工操作。
————————————————
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。
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？
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。
