爬虫必须得会的预备知识

CriseLYJ

github.com/CriseLYJ/Python-crawler-tutorial-starts-from-zero

爬虫定义

网络爬虫（又被称为网页蜘蛛，网络机器人）就是模拟浏览器发送网络请求，接收请求响应，一种按照一定的规则，自动地抓取互联网信息的程序。

爬虫就是模拟浏览器的行为，越像越好，越像就越不容易被发现。

原则上,只要是浏览器(客户端)能做的事情，爬虫都能够做。

爬虫的分类

通用爬虫：通常指搜索引擎的爬虫

聚焦爬虫：针对特定网站的爬虫

爬虫的用途

• 今日头条

• 网易云音乐

• 12306抢票

• 网站自动投票

• 短信轰炸

• 等等

爬虫的流程

1. 向起始url发送请求，并获取响应

2. 对响应进行提取

3. 如果提取url，则继续发送请求获取响应

4. 如果提取数据，则将数据进行保存

robots 协议

Robots 协议：网站通过 Robots 协议告诉搜索引擎哪些页面可以抓取，哪些页面不能抓取，但它仅仅是道德层面上的约束 例如：淘宝的 robots 协议

总结

• 爬虫概念：模拟浏览器发送网络请求，接收请求响应。只要是浏览器(客户端)能做的事情，爬虫都能够做。

• 爬虫的分类：聚焦爬虫、通用爬虫

• 爬虫的流程：

1. 向起始 url 发送请求，并获取响应

2. 对响应进行提取

3. 如果提取 url，则继续发送请求获取响应

4. 如果提取数据，则将数据进行保存

HTTP

概念：HTTP（超文本传输协议）是应用层上的一种客户端/服务端模型的通信协议,它由请求和响应构成，且是无状态的。 协议：协议规定了通信双方必须遵守的数据传输格式，这样通信双方按照约定的格式才能准确的通信。 无状态：无状态是指两次谅解通信之间是没有任何联系的，每次都是一个新的连接，服务端不会记录前后的请求信息。

HTTP 请求流程

1. 浏览器通过域名解析服务器（DNS）获取IP地址

2. 浏览器先向 IP 发起请求，并获取相应

3. 在返回的响应内容（html）中，会带有 css、js、图片等 url 地址，以及 ajax 代码，浏览器按照响应内容中的顺序依次发送其他的请求，并获取相应的响应

4. 浏览器每获取一个响应就对展示出的结果进行添加（加载），js，css 等内容会修改页面的内容，js也可以重新发送请求，获取响应

5. 从获取第一个响应并在浏览器中展示，直到最终获取全部响应，并在展示的结果中添加内容或修改————这个过程叫做浏览器的渲染

五层网络模型

HTTP协议结构图

网络模型对应关系

1. HTTP、RTSP、FTP -------> 应用层

2. TCP、UDP -------> 传输层

3. IP -------> 网络层

4. 数据链路 -------> 数据链路层

5. 物理介质 -------> 物理层

url 地址格式

格式说明： scheme://host[:port]/path/…/[?query-string][#anchor]

1. scheme：协议（例如：http, https, ftp）

2. host：服务器的 IP 地址或者域名

3. port：服务器的端口（如果是走协议默认端口，缺省端口80）

4. path：访问资源的路径

5. query-string：参数，发送给 http 服务器的数据

6. anchor：锚（跳转到网页的指定锚点位置）

HTTP 请求

• 请求格式

  
  

• 案例

  
  

• 请求方式

根据 HTTP 标准，HTTP 请求可以使用多种请求方法。

HTTP1.0 定义了三种请求方法： GET, POST 和 HEAD 方法。

HTTP1.1 新增了五种请求方法：OPTIONS, PUT, DELETE, TRACE 和 CONNECT 方法。

请求方式

描述

GET	请求指定的页面信息，并返回实体主体。
HEAD	类似于 get 请求，只不过返回的响应中没有具体的内容，用于获取报头
POST	向指定资源提交数据进行处理请求（例如提交表单或者上传文件）。数据被包含在请求体中。POST 请求可能会导致新的资源的建立和/或已有资源的修改。
PUT	从客户端向服务器传送的数据取代指定的文档的内容
DELETE	请求服务器删除指定的页面。
CONNECT	HTTP/1.1 协议中预留给能够将连接改为管道方式的代理服务器。
OPTIONS	允许客户端查看服务器的性能。
TRACE	回显服务器收到的请求，主要用于测试或诊断。

• 常见请求头

请求头

作用

Cookie	Cookie
User-Agent	浏览器名称
Referer	页面跳转处
Host	主机和端口号
Connection	链接类型
Upgrade-Insecure-Requests	升级为 HTTPS 请求
Accept	传输文件类型
Accept-Encoding	文件编解码格式
x-requested-with : XMLHttpRequest	ajax 请求

HTTP 响应

• 响应格式

HTTP响应也由四个部分组成，分别是：状态行、消息报头、空行（回车符 + 换行符）和响应正文。

• 响应头

响应头

作用

Location	这个头配合 302 状态码使用，告诉用户端找谁。
Set-Cookie	设置和页面关联的 Cookie
Content-Type	服务器通过这个头，回送数据的类型
Server	服务器通过这个头，告诉浏览器服务器的类型
Content-Length	服务器通过这个头，告诉浏览器回送数据的长度
Connection	服务器通过这个头，响应完是保持链接还是关闭链接

• HTTP 状态码

当浏览者访问一个网页时，浏览者的浏览器会向网页所在服务器发出请求。当浏览器接收并显示网页前，此网页所在的服务器会返回一个包含 HTTP 状态码的信息头（server header）用以响应浏览器的请求。

HTTP 状态码的英文为 HTTP Status Code。

HTTP 状态码由三个十进制数字组成，第一个十进制数字定义了状态码的类型，后两个数字没有分类的作用。HTTP 状态码共分为 5 种类型

分类

分类描述

1**	信息，服务器收到请求，需要请求者继续执行操作
2**	成功，操作被成功接收并处理
3**	重定向，需要进一步的操作以完成请求
4**	客户端错误，请求包含语法错误或无法完成请求
5**	服务器错误，服务器在处理请求的过程中发生了错误

• 常见的 HTTP 状态码：

• 200 - 请求成功

• 301 - 资源（网页等）被永久转移到其它 URL

• 404 - 请求的资源（网页等）不存在

• 500 - 内部服务器错误

HTTPS

1- HTTP + SSL (安全套接字层)，即带有安全套接字层的超本文传输协议
2- 默认端口号：443

• HTTPS 作用

在传输过程中对数据进行加密，防止中间路由器、交换机等中间的路由设备对数据进行篡改。

• HTTP 与 HTTPS 优缺点

HTTP 因为不需要对数据进行加密所以性能更高，但是安全性差。

HTTPS 虽然安全性高，但是因为浏览器和服务器端需要对数据进行加解密，所以占用服务器资源。

• 当前形式

注意：目前 HTTPS 是未来主流，微信小程序，iOS 客户端，android 客户端的接口提供都需要 HTTPS 接口支持。

（完）

推荐阅读