在众多编程语言当中，python爬虫是IT从业者经常用到的。但是还有很多不懂代码的人，对于python爬虫是什么不了解，今天我们就来详细介绍一下，python爬虫基础的入门知识，这些小知识包括：python爬虫定义、爬虫基本流程、http协议请求与响应。希望通过阅读本文，对不了解的人有一定的帮助。

　　python爬虫是什么

爬虫（spider，又网络爬虫），是指向网站/网络发起请求，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。

爬虫基本流程

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 Request模块缺陷：不能执行JS 和CSS 代码。

2.获取响应内容

如果服务器能正常响应，则会得到一个ResponseResponse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）、xpath（主要使用）、beautiful soup、css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）或 文件的形式。

http协议请求与响应

http协议：

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。

　　1.request

（1）请求方式

常见的请求方式：GET / POST

（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

（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：

●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）

●User-Agent:访问的浏览器（要加上否则会被当成爬虫程序）

●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

　　2.response

（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）response header

响应头需要注意的参数：Set-Cookie:BDSVRTM=0; path=/：可能有多个，是来告诉浏览器，把cookie保存下来

（3）preview就是网页源代码

●json数据

●如网页html，图片

●二进制数据等

通过上述介绍，python爬虫是什么相信大家已经清楚了吧，想了解更多关于python爬虫的信息，请继续关注中培伟业。