爬虫前缀知识

声明：本文大部分内容来自21天搞定Python分布爬虫教学视频

url详解

URL是Uniform Resource Locator的简写，称为统一资源定位符。
一个URL由以下几部分组成：

scheme://host:port/path/?query-string=xxx#anchor

• sheme：访问的协议，一般为http、https、ftp
• host：主机名，域名，比如www.baidu.com
• port：端口号。当访问一个网站时，浏览器默认使用80端口
• path：查找路径。一个页面下的哪个目录，比如：www.jianshu.com/trending/now
• query-string：查询字符串，比如：www.baidu.com/s?wd=python，后面的wd=python就是查询字符串
• anchor：锚点，前端用来做页面定位的

在浏览器中请求一个url，浏览器会对这个url进行一个编码：除英文字母、数字和部分符号外，其余的均使用% + 十六进制码值进行编码。比如当我在百度搜索刘德华时，wd字段如下：

而将该链接复制到txt文本文件中时，则变成了一串由% + 十六进制码值组成的串：

常用的请求方法

在http协议中，定义了8种请求方法。这里只介绍两种常用的请求：get和post请求

• get请求：一般情况下，只从服务器获取数据下来，并不会对服务器资源产生任何影响的时候会用到get请求
• post请求：向服务器发送数据（登录）、上传文件等，会对服务器资源产生影响的时候会使用post请求

不过有的时候，有些网站和服务器会做反爬虫机制，比如将get和post请求的对应情景对调

常见响应状态码

1. 200：请求正常，服务器正常地返回数据。但是数据不一定正确
2. 301：永久重定向。比如访问www.jingdong.com时，会重定向到www.jd.com
3. 302：临时重定向。比如在访问一个需要登录的页面的时候，如果此时并没有登录，则会临时重定向到登录页面
4. 400：请求的url在服务器上找不到。换句话说就是请求url错误
5. 403：服务器拒绝访问，权限不够
6. 404：请求失败，请求所希望得到的资源未被在服务器上发现
7. 500：服务器内部错误。可能是服务器出现了bug