知识要点：

1.1 爬虫基本认知

1.2 网页基本认知

1.3 网页构成

1.4 XPath的基本使用

1.1 爬虫基本认知

爬虫：请求网站并提取数据的自动化程序。

爬虫的基本流程：

• 发起请求：发送一个Request
• 获取响应内容：得到一个Response，即要获取的页面内容
• 解析内容：用正则表方式，网页解析库进行解析
• 保存数据：可以存为文本，存至数据库或者指定格式的文件

1.2 网页基本认知

浏览器工作原理：浏览器发送消息给该网址所在的服务器，这个过程叫做 HTTP Request。

Request：是请求，在浏览器输入地址，回车，就是一个请求。

• 请求方式：主要有 get post两种类型
• 请求的URL：全称统一资源定位符
• 请求头：包含请求时的头部信息
• 请求体：请求时额外携带的数据，如表单提交时的表单数据

Response：是响应，服务器根据请求，返回数据到浏览器显示，就是一个响应。

• 响应状态：有多种响应状态，如 200 代表成功、301跳转等
• 响应头：如内容类型、服务器信息、设置 Cookie 等等
• 响应体：最主要的部分，包含了请求资源的内容

网页数据类型：

• 网页文本：如 HTML 文档、Json 格式的文本等
• 图片：获取到的二进制文件，保存为图片格式
• 视频：获取到的二进制文件，保存为视频格式

网页的解析方式：

• 直接处理
• Json 解析
• BeartifulSoup
• PyQuery
• XPath

1.3 网页构成

网页构成：

CSS 是一种定义样式结构如字体、颜色、位置等的语言，用于描述网页上的信息格式化和现实的方式；可以 直接存储于HTML网页或者单独的样式单文件。

• 内联方式：样式定义在单个的 HTML元素中
• 内部样式表：样式定义在 HTML 页的头元素中
• 外部样式表
  • 将样式定义在一个外部的 CSS 文件中（.css 文件）
  • 由 HTML 页面引用样式表文件

JS：一种脚本语言，被广泛用于Web应用开发，常用来为网页添加动态功能，为用户提供更流畅美观的浏览效果。

• JS 代码能直接嵌入网页的 任何地方
• 可以把代码单独的放在一个.JS 文件中，多个页面可以引用同一份 .js 文件
• 浏览器会按照顺序执行这些 JS 代码

1.4 XPath的基本使用

XPath 是一门在 XML 文档中查找信息的语言。 使用路径表达式来选取 XML 文档中的节点或者节点集。
注意： xpath速度比较快，是爬虫在网页定位中的较优选择，但是很多网页前端代码混乱难以定位。
安装： pip install lxml

XPath 的表达式：