爬虫基础
HTTP 基本原理
HTTP 请求过程
-
Name:请求的名称,一般会将 URL 的最后一部分内容当作名称
-
Status:响应的状态码,这里显示 200,代表响应是正常的。通过状态码,我们可以判断发送了请求之后是否得到了正常的响应
-
Type:请求的文档类型。这里为document,代表我们这次请求的是一个 HTML 文档,内容就是一些 HTML 代码
-
Initiator:请求源。用来标记是由哪个对象或进程发起的
-
Size:从服务器下载的文件和请求的资源大小。如果是从缓存中取得的资源,则该列会显示 from cache
-
Time:发起请求到获取响应所用的总时间
-
Waterfall:网络请求的可视化瀑布流
General 部分: -
Resquest URL:请求的 URL
-
Resquest Method:请求的方法
-
Status Code:响应状态码
-
Remote Address:远程服务器的地址和端口
-
Referrer Policy:Referrer 判别策略
请求
请求,由客户端向服务端发起,可以分为 4 个部分内容:请求方法(Resquest Method)、请求的网址(Resquest URL)、请求头(Resquest Headers)、请求体(Resquest Body)。
请求方法
常见的请求方法有两种:GET 和 POST
POST 请求大多在表单提交时发起。比如:一个登录表单,输入用户名和密码后,点击登录按钮,这通常会发起一个 POST 请求,其数据通常以表单的形式传输,而不会体现在 URL 中
GET 和 POST 请求方法的区别:
- GET 请求中的参数包含在 URL 里面,数据可以在 URL 中看到,而 POST 请求的 URL 不会包含数据,数据都是通过表单形式传输的,会包含在请求体中
- GET 请求提交的数据最多只有1024个字节,而 POST 方式没有限制
请求的网址
请求的网址,即统一资源定位符 URL,它可以唯一确定我们想请求的资源
请求头
请求头,用来说明服务器要使用的附加信息,比较重要的信息有Cookie、Referer、User-Agent 等
常用的头信息:
- Accept:请求的报头域,用于指定客户端可接受哪些类型的信息
- Accept-Language:指定客户端可接受的语言类型
- Accept-Encoding:指定客户端可接受的内容编码
- Host:用于指定请求资源的主机 IP 和端口号,其内容为请求 URL 的原始服务器或网关的位置。从 HTTP 1.1 版本开始,请求必须包含此内容
- Cookie:这是网站为了辨别用户进行会话跟踪而存储在用户本地的数据。它的主要功能是维持当前访问会话
- Referer:此内容是用来标识这个请求是从哪个页面发过来的,服务器可以拿到这一信息并做相应的处理
- User-Agent:它是一个特殊的字符串头,可以使服务器识别客户使用的操作系统及版本、浏览器及版本等信息。在做爬虫时加上此信息,可以伪装为浏览器;如果不加,很可能会被识别为爬虫
- Content-Type:用来表示具体请求中的媒体类型信息
请求体
请求体一般承载的内容是 POST 请求中的表单数据,而对于 GET 请求,请求体则为空
登录之前,我们填写了用户名和密码信息,提交时这些内容就会以表单数据的形式提交给服务器,此时需要注意 Resquest Headers 中指定 Content-Type 为 application/x-www-form-urlencoded。只有设置 Content-Type 为 application/x-www-form-urlencoded,才会以表单数据的形式提交。另外,我们也可以设将 Content-Type 设置为 application/json 来提交 json 数据,或者设置为 multipart/form-data 来上传文件
在爬虫中,如果要构造 POST 请求,需要使用正确的 Content-Type,并了解各种请求库的各个参数设置时使用的是哪种 Content-Type,不然可能会导致 POST 提交后无法正常响应
响应
响应,由服务端返回给客户端,可以分为三部分:响应状态码(Response Status Code)、响应头(Response Headers)和响应体(Response Body)
响应状态码
响应状态码表示服务器的响应状态
200 服务器正常
404 页面未找到
500 服务器内部发生错误
在爬虫中,我们可以根据状态码来判断服务器响应状态
响应头
响应头包含了服务器对请求的应答信息,如 Content-Type、Server、Set-Cookie 等
- Date:标识响应产生的时间
- Last-Modified:指定资源的最后修改时间
- Content-Encoding:指定响应内容的编码
- Server:包含服务器的信息,比如名称、版本号等
- Content-Type:文档类型,指定返回的数据类型是什么,如 text/html 代表返回 HTML 文档,application/x-javascript 则代表返回 JavaScript 文件,image/jepg 则代表返回图片
- Set-Cookie:设置 Cookies。响应头中的 Set-Cookie 告诉浏览器需要将此内容放在 Cookies 中,下次请求携带 Cookies 请求
- Expires:指定响应过期的时间,可以使代理服务器或浏览器将加载的内容更新到缓存中。如果在次访问,就可以直接从缓存中加载,降低服务器负载,缩短加载时间
响应体
响应的正文数据都在响应体中,比如请求网页时,它的响应体就是 HTML 代码;请求一张图片时,它的响应体就是图片的二进制数据。我们做爬虫请求网页后,要解析的内容就是响应体
网页基础
选择器
在 CSS 中,我们使用 CSS 选择器来定位节点。例如,div 节点的 id 为 container,那么就可以表示为 #container,其中 # 开头代表选择器 id,其后紧跟 id 的名称;想选择 class 为 wrapper 的节点,便可以使用 .wrapper,这里以点开头代表选择 class,其后紧跟 class 的名称
CSS 选择器还支持嵌套选择,各个选择器之间加上空格分隔开便可以代表嵌套关系
如 #container .wrapper p
- 代表先选择 id 为 container 的节点
- 然后选择其内部的 class 为 wrapper 的节点
- 然后在进一步选中其中的 p 节点
不加空格,则代表并列关系
如 div#container .wrapper p.text
- 代表先选择 id 为 container 的节点
- 然后选择其内部的 class 为 wrapper 的节点
- 然后在进一步选中其内部的 class 为 text 的 p 节点