爬虫基础（五）爬虫基本原理
目录
一、爬虫是什么
二、爬虫过程
（1）获取网页
（2）提取信息
（3）保存数据
三、爬虫可爬的数据
四、爬虫问题
一、爬虫是什么
互联网，后面有个网字，我们可以把它看成一张蜘蛛网。
爬虫，后面有个虫子，我们可以把它看成蜘蛛。
爬虫之于互联网，就是蜘蛛之于蜘蛛网。
蜘蛛每爬到一个节点，就是爬虫访问了一个网页。
用正式的话来说，
爬虫，就是自动提取、保存网页信息的程序。
二、爬虫过程
（1）获取网页
获取网页，就是获取网页的源代码。
（注：因为源代码包含各种信息，所以要获取源代码）
（2）提取信息
提取信息，一般采用正则表达式。
另外，由于网页结构具有一定规则，所以有的是采用其他方式提前的
如：
Beautiful Soup、pyquery、lxml
（3）保存数据
保存数据，可以保存为TXT文件、JSON文件
当然，也可以保存到数据库：MySQL、MongoDB等。
三、爬虫可爬的数据
在以前的文章中，我们知道网页中的信息都藏在URL中，所以一般来说，只要是URL的数据，我们就可以抓取。
四、爬虫问题
最常见的一个问题，就是无法爬出完整数据。
即，我们爬出来的数据，和我们看到的数据并不一样，这是怎么回事呢？
因为，在该网站的HTML代码中
可能引入了app.js文件，其负责整个文件的渲染。
而当浏览器打开这个界面时，首先加载HTML内容
然后引入app.js文件，并发起请求。
然后执行该文件中的JavaScript代码，
而JavaScript代码会改变HTML中的节点，并添加内容，最后得到内容
但是当我们使用库：urllib和request请求界面时，只得到HTML代码
但它不会继续加载JavaScript文件，所以我们就无法载入完整内容。
至于解决办法，我们会在后续文章中一一道来。