文章目录
一、通用爬虫和聚焦爬虫
根据使用场景,网络爬虫可以分为通用爬虫和聚焦爬虫
1、通用爬虫
1)概念
- 通用网络爬虫 是搜索引擎抓取系统(Baidu、Google等)的重要组成部分。主要目的是将互联网上的网页下载到本地,形成一个互联网内容的镜像备份。
- 通用网络爬虫从互联网中搜集网页,采集信息,这些网页信息用于为搜索引擎建立索引从而提供支持,它决定着整个引擎系统的内容是否丰富,信息是否即时,因此其性能的优劣直接影响着搜索引擎的效果。
- 搜索引擎如何获取一个新网站的URL:
- 新网站向搜索引擎主动提交网址
- 在其他网站上设置新网站外链
- 和DNS解析服务商(如DNSPod)合作,新网站域名将迅速抓取
3)爬虫限制
搜索引擎蜘蛛的爬行是被输入了一定的规则的,它需要遵从一些命令或文件的内容。
- rel=’‘nofollow’’,告诉搜索引擎爬虫无需抓取目标页,同时告诉搜索引擎无需将当前页的Pagerank传递到目标页。
- Robots协议(也叫爬虫协议、机器人协议等),全称是“网络爬虫排除标准”(Pobots Exclusion Protocol),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。(通过网址后加“/robots.txt”查询某网页不能爬取的信息)
4)思路
5)局限性
- 大多数情况下,网页里90%的内容对用户来说都是无用的
- 搜索引擎无法提供针对具体某个用户的搜索结果
- 图片、数据库、音频、视频多媒体等不能很好地发现和获取
- 基于关键字的检索,难以支持根据语义信息提出的查询,无法准确理解用户的具体需求。
2、聚焦爬虫
聚焦爬虫是“面向特定主题需求”的一种网络爬虫程序,它与通用搜索引擎爬虫的区别在于:聚焦爬虫在实施网页爬取时会对内容进行处理筛选,尽量保证只抓取与需求相关的网页信息。
二、HTTP和HTTPS
- HTTP协议-80端口
HyperTextTransferProtocol超文本传输协议是一种发布和接收HTML页面的方法 - HTTPS-443端口
HyperTextTransferProtocoloverSecureSocketLayer,相当于HTTP的安全版,在HTTP下加入SSL层。 - HTTP工作原理
网络爬虫抓取过程可以理解为模拟浏览器操作的过程
- 浏览器发送HTTP请求的过程
- 当用户在浏览器的地址栏中输入一个URL并按回车键之后,浏览器会向HTTP服务器发送HTTP请求。HTTP请求主要分为“Get”和“Post”两种方法
- 当我们在浏览器输入URLhttp://www.baidu.com的时候,浏览器发送一个Request请求去获取http://www.baidu.com的html文件,服务器把Response文件对象发送回给浏览器
- 浏览器分析Response中的HTML,发现其中引用了很多其他文件,比如Images文件,CSS文件,JS文件。浏览器会自动再次发送Pequest去获取图片,CSS文件,或者JS文件
- 当所有的文件都下载成功后,网页会根据HTML语法结构,完整的显示出来了
- URL:统一资源定位符,是用于完整地描述Internet上网和其他资源的地址的一种标识方法
- 基本格式:协议://主机名[:port]/path/…/[?query-string] [#anchor]
- query-string:参数,发送给http服务器的数据
- anchor:锚(跳转到网页的指定锚点位置)
三、客户端HTTP请求
- 客户端发送一个HTTP请求到服务器的请求信息,包括以下格式:
- 根据HTTP标准,HTTP请求可以使用多种请求方法
- HTTP0.9:只有基本的文本GET功能
- HTTP1.0:完善的请求/响应模型,并将协议补充完整,定义了三种请求方法:GET,POST,HEAD方法
- HTTP1.1:在1.0的基础上进行更新,新增了五种请求方法:OPTION,PUT,DELETE,TRACE,CONNECT方法
- 请求方法:
1 | GET | 请求指定的页面信息,并返回实体主体 |
---|---|---|
2 | 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 |
3 | 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 |
4 | PUT | 从客户端向服务器传送的数据取代指定的文档的内容 |
5 | DELETE | 请求服务器删除指定的页面 |
6 | 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 |
7 | OPTION | 允许客户端查看服务器的性能 |
8 | TRACE | 回显服务器收到的请求,主要用于测试或诊断 |
- 常用的请求报头
- Host:主机和端口号
- Connection:客户端与服务连接类型,默认为keep-alive
- User-Agent:客户浏览器的名称
- Accept:浏览器或其他客户端可以接受的MIME文件类型
- Referer:表明产生请求的网页来自于哪个URL
- Accept-Encoding:指出浏览器可以接受的编码方式
- Accept-Language:语言种类
- Accept-Charset:字符编码
- Cookie:浏览器用这个属性向服务器发送Cookie
- Content-Type:POST请求里用来表示的内容类型
四、HTTP响应
- HTTP响应由四个部分组成,分别是:状态行、消息报头、空行、响应正文(下图内容由上至下排布)
- 响应状态码:
- 200:请求成功
- 302:请求页面临时转移至新URL
- 307和304:使用缓存资源
- 404:服务器无法找到请求页面
- 403:服务器拒绝访问,权限不够
- 500:服务器遇到不可预知的情况
- Cookie和Session
- Cookie:在客户端记录的用来确定用户身份的缓存信息
- Session:在服务器端记录的用于确定用户身份的缓存信息
五、图片下载器
新的改变
我们对Markdown编辑器进行了一些功能拓展与语法支持,除了标准的Markdown编辑器功能,我们增加了如下几点新功能,帮助你用它写博客:
- 全新的界面设计 ,将会带来全新的写作体验;
- 在创作中心设置你喜爱的代码高亮样式,Markdown 将代码片显示选择的高亮样式 进行展示;
- 增加了 图片拖拽 功能,你可以将本地的图片直接拖拽到编辑区域直接展示;
- 全新的 KaTeX数学公式 语法;
- 增加了支持甘特图的mermaid语法1 功能;
- 增加了 多屏幕编辑 Markdown文章功能;
- 增加了 焦点写作模式、预览模式、简洁写作模式、左右区域同步滚轮设置 等功能,功能按钮位于编辑区域与预览区域中间;
- 增加了 检查列表 功能。
功能快捷键
撤销:Ctrl/Command + Z
重做:Ctrl/Command + Y
加粗:Ctrl/Command + B
斜体:Ctrl/Command + I
标题:Ctrl/Command + Shift + H
无序列表:Ctrl/Command + Shift + U
有序列表:Ctrl/Command + Shift + O
检查列表:Ctrl/Command + Shift + C
插入代码:Ctrl/Command + Shift + K
插入链接:Ctrl/Command + Shift + L
插入图片:Ctrl/Command + Shift + G
查找:Ctrl/Command + F
替换:Ctrl/Command + G
合理的创建标题,有助于目录的生成
直接输入1次#,并按下space后,将生成1级标题。
输入2次#,并按下space后,将生成2级标题。
以此类推,我们支持6级标题。有助于使用TOC
语法后生成一个完美的目录。
如何改变文本的样式
强调文本 强调文本
加粗文本 加粗文本
标记文本
删除文本
引用文本
H2O is是液体。
210 运算结果是 1024.
插入链接与图片
链接: link.
图片:
带尺寸的图片:
居中的图片:
居中并且带尺寸的图片:
当然,我们为了让用户更加便捷,我们增加了图片拖拽功能。
如何插入一段漂亮的代码片
去博客设置页面,选择一款你喜欢的代码片高亮样式,下面展示同样高亮的 代码片
.
// An highlighted block
var foo = 'bar';
生成一个适合你的列表
- 项目
- 项目
- 项目
- 项目
- 项目1
- 项目2
- 项目3
- 计划任务
- 完成任务
创建一个表格
一个简单的表格是这么创建的:
项目 | Value |
---|---|
电脑 | $1600 |
手机 | $12 |
导管 | $1 |
设定内容居中、居左、居右
使用:---------:
居中
使用:----------
居左
使用----------:
居右
第一列 | 第二列 | 第三列 |
---|---|---|
第一列文本居中 | 第二列文本居右 | 第三列文本居左 |
SmartyPants
SmartyPants将ASCII标点字符转换为“智能”印刷标点HTML实体。例如:
TYPE | ASCII | HTML |
---|---|---|
Single backticks | 'Isn't this fun?' | ‘Isn’t this fun?’ |
Quotes | "Isn't this fun?" | “Isn’t this fun?” |
Dashes | -- is en-dash, --- is em-dash | – is en-dash, — is em-dash |
创建一个自定义列表
-
Markdown
- Text-to- HTML conversion tool Authors
- John
- Luke
如何创建一个注脚
一个具有注脚的文本。2
注释也是必不可少的
Markdown将文本转换为 HTML。
KaTeX数学公式
您可以使用渲染LaTeX数学表达式 KaTeX:
Gamma公式展示 Γ ( n ) = ( n − 1 ) ! ∀ n ∈ N \Gamma(n) = (n-1)!\quad\forall n\in\mathbb N Γ(n)=(n−1)!∀n∈N 是通过欧拉积分
Γ ( z ) = ∫ 0 ∞ t z − 1 e − t d t . \Gamma(z) = \int_0^\infty t^{z-1}e^{-t}dt\,. Γ(z)=∫0∞tz−1e−tdt.
你可以找到更多关于的信息 LaTeX 数学表达式here.
新的甘特图功能,丰富你的文章
- 关于 甘特图 语法,参考 这儿,
UML 图表
可以使用UML图表进行渲染。 Mermaid. 例如下面产生的一个序列图:
这将产生一个流程图。:
- 关于 Mermaid 语法,参考 这儿,
FLowchart流程图
我们依旧会支持flowchart的流程图:
- 关于 Flowchart流程图 语法,参考 这儿.
导出与导入
导出
如果你想尝试使用此编辑器, 你可以在此篇文章任意编辑。当你完成了一篇文章的写作, 在上方工具栏找到 文章导出 ,生成一个.md文件或者.html文件进行本地保存。
导入
如果你想加载一篇你写过的.md文件,在上方工具栏可以选择导入功能进行对应扩展名的文件导入,
继续你的创作。
注脚的解释 ↩︎