爬虫概念、工具和HTTP

1.什么是爬虫

• 爬虫就是模拟客户端(浏览器)发送网络请求, 获取响应, 按照规则提取数据的程序
• 模拟客户端(浏览器)发送网络请求 : 照着浏览器发送一模一样的请求, 获取和浏览器一模一样的响应数据

2.爬虫的数据去哪里了

• 呈现出来: 展示在页面上, 或者展示在app上
• 进行分析: 可以从爬取的的数据中寻找一些规律

3.需要的软件和环境

• python3
  • 基础语法 (字符串、列表、字典、判断和循环)
  • 函数 (函数的创建和调用)
  • 面向对象 (如何创建一个类,如何使用这个类)
• pycharm
  • python编辑器
• chrome浏览器
  • 分析网络请求用的

4.浏览器的请求

• url
  • 在chrome中点击检查, 点到network
  • url = 请求的协议+网站的域名+资源的路径+参数
• 浏览器请求url地址
  • 当前url对应的响应+js+css+图片 >>>> elements中的内容
• 爬虫请求url地址
  • 当前url对应的响应
• elements的内容和爬虫获取到的url地址响应不同,爬虫中需要以当前url地址对应的响应为准提取数据
• 当前url地址对应的响应在哪里
  • 从network中找到当前url地址,点击response
  • 在页面右键显示源码

5.认识HTTP、HTTPS

• HTTP: 超文本传输协议
  • 以明文的形式传输
  • 效率更高, 但不安全
• HTTPS: HTTP + SSL (安全套接字层)
  • 传输之前数据先加密, 之后解密数据获取内容
  • 效率较低, 但是安全
• get请求和post请求的区别
  • get请求没有请求体, post有, get请求把数据放到url地址中
  • post请求常用于登录注册
  • post请求携带的数据量比get请求大、多, 常用于传输大文本的时候
• HTTP协议之请求
  • 1.请求行
  • 2.请求头
    • User-Agent: 用户代理: 对方服务器能够通过user_agent知道当前请求对方资源的是什么浏览器
      • 如果我们需要模拟手机版的浏览器发送请求, 对应的, 就需要把user_agent改成手机版
    • Cookie: 用来存储用户信息的, 每次请求会被携带上发送给对方的浏览器
      • 要获取登录后才能访问的页面
      • 对方的服务器会通过cookie来判断我们是一个爬虫
  • 3.请求体
    • 携带数据
    • get请求没有请求体
    • post请求有请求体
• HTTP协议之xiang响应
  • 1.响应头
    • Set-Cookie: 对方服务器通过该字段设置cookie到本地
  • 2.响应体
    • url地址对应的响应