爬虫的概念
- 爬虫是模拟浏览器发送请求,获取响应。
爬虫的流程
- url—>发送请求,获取响应—>提取数据—>保存
- 发送请求,获取响应—>提取url
HTTP
- 超文本传输协议
- 默认端口号:80
HTTPS
- HTTP + SSL(安全套接字层)
- 默认端口号:443
HTTPS比HTTP更安全,但是性能更低
爬虫要根据当前url地址的响应为准,当前url地址的elements的内容和url的响应不一样,与浏览器所渲染的画面不一样
页面上的数据在哪里
- 当前url地址对应的响应中
- 其他的url地址对应的响应中
- 比如ajax请求
- js生成的
- 部分数据在响应中
- 全部通过js生成的
url的形式
- scheme: 协议(例如:http,https,ftp)
- host: 服务器的IP地址或者域名
- port: 服务器的端口(如果是走协议默认端口 80/443)
- path: 访问资源的路径
- query-string:参数,发送给http服务器的数据
- anchor:跳转到网页指定的锚点位置
HTTP请求的形式
- GET / HTTP/1.1
- Host: www.baidu.com
- Connection: keep-alive
- Cache-Control: max-age=0
- Upgrade-Insecure-Requests: 1
- User-Agent: Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/87.0.4280.66 Safari/537.36
- Accept: text/html,application/xhtml+xml,application/xml;q=0.9,image/avif,image/webp,image/apng,/;q=0.8,application/signed-exchange; v=b3;q=0.9
- Sec-Fetch-Site: none
- Sec-Fetch-Mode: navigate
- Sec-Fetch-User: ?1
- Sec-Fetch-Dest: document
- Accept-Encoding: gzip, deflate, br
- Accept-Language: zh-CN,zh;q=0.9
- Cookie: BIDUPSID=11C0422945762C4F73B4527923B8204E; PSTM=1603198765; BAIDUID=11C0422945762C4FB2BD7D207CCE8704:FG=1; BD_UPN=12314753; BDORZ=B490B5EBF6F3CD402E515D22BCDA1598; BAIDUID_BFESS=11C0422945762C4FB2BD7D207CCE8704:FG=1; COOKIE_SESSION=19164_0_8_2_8_0_0_0_8_0_0_0_19161_0_5_0_1606642120_0_1606642125%7C9%23328_6_1605098782%7C3; Hm_lvt_aec699bb6442ba076c8981c6dc490771=1606309975,1606622825,1606647175; H_PS_645EC=0ffcLk9%2FLqT01DVW8UgimaovtcnoQShCtV%2Fx%2Fx9KCsYKb%2FsvbLSlkrZXEGw; BD_HOME=1; H_PS_PSSID=1453_33061_31253_33113_33098_33101_33183_33181_33185; BA_HECTOR=25258k2lak8k002lbu1fs71v10q
Cookie与Session的区别?
- Cookie 存储在浏览器本地,Session存在服务器本地,Cookie有存储上限
常见的请求方法
- GET
- POST
GET与POST方法有什么区别
- POST请求暂时记住大文件传输与表单提交
响应状态码(status code)
- 200:成功
- 302:临时转移至新的url
- 307:临时转移至新的url
- 404:not found
- 500:服务器内部错误
字符串的复习
- str类型和bytes类型
- bytes:二进制
- 互联网上的数据都是以二进制的方式传输的
- str: Unicode的呈现形式
- bytes:二进制
字符(character)是各种文字和符号的总称,包括国家文字、标点符号、图形符号、数字等
字符集是多个字符的集合
字符集包括:ASCII字符集、GB2312字符集、GB1803字符集、Unicode字符集
ASCII编码是一个字节,Unicode编码通常是两个字节。UTF-8是Unicode的实现方式之一。
str和bytes如何转换
- str使用encode方法转化为bytes
- bytes通过decode转化为str
- 编码方式必须一样,否则会出现乱码
给我自己的福利