人生苦短，我用 Python
前文傳送門：
小白學 Python 爬蟲（2）：前置準備（一）基本類庫的安裝
小白學 Python 爬蟲（3）：前置準備（二）Linux基礎入門
小白學 Python 爬蟲（4）：前置準備（三）Docker基礎入門
小白學 Python 爬蟲（5）：前置準備（四）數(shù)據(jù)庫基礎
小白學 Python 爬蟲（6）：前置準備（五）爬蟲框架的安裝
什么是爬蟲，講點通俗易懂的，爬蟲就是爬取網頁，從中按照一定規(guī)則提取信息，重復以上過程自動化重復完成的程序。
一只爬蟲，第一件事情就是要爬取網頁，這里主要是指獲取網頁的源代碼。在網頁的源代碼里，會含有我們所需要的信息，而我們要做的事情就是從源代碼中將這些信息提取出來。
我們請求網頁的時候， Python 為我們提供了很多庫來做這件事情，比如官方提供的 urllib ，以及第三方提供的 requests 、 Aiohttp 等。
我們可以使用這些庫來發(fā)送 HTTP 請求，獲取響應的數(shù)據(jù)，得到響應之后，我們只需要解析其中 body 部分的數(shù)據(jù)，就可以獲得網頁的源代碼。
獲取到源代碼以后，我們接下來的工作就是解析源代碼，從中提取出我們需要的數(shù)據(jù)。
提取數(shù)據(jù)最基礎也是最常用的是使用正則表達式的方式的，但是這種方式比較復雜，也比較容易出錯，不過不得不說，一個正則表達式寫的非常厲害的人，完全用不著下面的這些解析類庫，這是一個萬能的方法。
悄悄的說一句，小編的正則表達式寫的也不好，才會使用到這些由第三方提供的類庫。
用于提取數(shù)據(jù)的類庫有 Beautiful Soup 、 pyquery 、 lxml 等等。使用這些庫，我們可以高效快速地從 HTML 中提取網頁信息，如節(jié)點的屬性、文本值等。
從源代碼中提取到數(shù)據(jù)以后，我們會對數(shù)據(jù)進行保存，這里的保存形式多種多樣，可以直接保存成 txt 、 json 、 Excel 文件等等，也可以保存至數(shù)據(jù)庫，如 Mysql 、 Oracle 、 SQLServer 、 MongoDB 等等。
一般而言，我們抓取到的都是 HTML 的網頁源代碼，這個是我們看得到的、常規(guī)的、直觀的網頁信息。
但是有些信息，并不是直接和 HTML 一起返回至網頁的，會存在各種各樣的 API 接口，這種接口返回的數(shù)據(jù)現(xiàn)在大多數(shù)是 JSON 的格式，也有一些會返回 XML 的數(shù)據(jù)格式，還會有一些個別的奇葩的接口直接返回程序猿自定義的字符串。這種 API 數(shù)據(jù)接口就需要具體問題具體分析了。
還有一些信息，比如各大圖片站、視頻站（如抖音、 B站），我們想要爬取的信息是圖片或者視頻，這些信息是已二進制的形式存在的，我們需要將這些二進制的數(shù)據(jù)爬取下來再進行轉儲。
此外，我們還能抓取到一些資源文件，如 CSS 、 JavaScript 等腳本資源，有的還會有一些 woff 等字體信息。這些信息是一個網頁組成不可或缺的元素，只要瀏覽器能訪問到的，我們都可以將其爬取下來。
今天核心內容來了?。?！
很多時候，我們使用 HTTP 請求庫爬取網頁源代碼時，爬取到的信息和我們在網頁上看到的信息完全不一樣，只有短短的幾行。
這是因為最近這幾年，前端技術突飛猛進，大量的采用前端模塊化工具來構建前端頁面，比較常用的框架有 Vue 、 React 等等。
導致我們獲取到的網頁只有一個空殼子，例如這種：
<!DOCTYPE html>
<html lang="en" style="background-color: #26282A; height: 100%">
<head>
<meta charset="utf-8">
<meta http-equiv="X-UA-Compatible" content="IE=edge">
<meta name="viewport" content="width=device-width, initial-scale=1, minimum-scale=1, maximum-scale=1, user-scalable=no">
<link rel="icon" href="<%= BASE_URL %>favicon.ico">
<title>演示項目</title>
</head>
<style>
html,
body,
#app {
height: 100%
}
</style>
<body>
<noscript>
<strong>We're sorry but xxxxxx doesn't work properly without JavaScript enabled. Please enable it to continue.</strong>
</noscript>
<div id="app"></div>
<!-- built files will be auto injected -->
<script src=/js/chunk-vendors.84ee7bec.js></script>
<script src=/js/app.4170317d.js></script>
</body>
</html>
代碼來源是博主平時做的一些小東西，其中博主已經省略大量引入的 JavaScript。
body 節(jié)點里面只有一個 id 為 app 的節(jié)點，但是需要注意在 body 節(jié)點的最后引入了 JavaScript 文件，它們負責整個網頁的渲染。
在瀏覽器打開這個頁面后，首先會加載這個 HTML 的內容，接著會發(fā)現(xiàn)有 JavaScript 的腳本文件加載，獲取到這些腳本文件后，開始執(zhí)行其中的代碼，而 JavaScript 腳本文件則會修改整個頁面的 HTML 代碼，向其中添加節(jié)點，從而完成整個頁面的渲染。
但是當我們使用請求庫去請求這個頁面的時候，只能獲得當前的 HTML 的內容，它并不會去幫我們獲取這個 JavaScript 腳本文件并且?guī)臀覀儓?zhí)行這個腳本文件渲染整個 HTML DOM 節(jié)點，我們當然也就看不到瀏覽器當中看到的內容。
這也解釋了為什么有時我們得到的源代碼和瀏覽器中看到的不一樣。
當然，遇到這種情況也不要慌，我們還可以使用Selenium、Splash這樣的庫來實現(xiàn)模擬瀏覽器中的 JavaScript 渲染。
后面，我們會慢慢聊這些內容，本文主要先幫各位同學對爬蟲有一個基礎的了解，方便后續(xù)的學習。
參考：
https://cuiqingcai.com/5484.html
聯(lián)系客服
