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数据
2、爬虫的书去哪儿
呈现出来:展示在网页上,或者展示在app上
进行分析:从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
–编辑器:pycharm
–浏览器:chrome-----分析网络请求用
4、浏览器的请求
–url
-在chrome中点击检查,点到network
-url=请求协议+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---->element中的内容
-爬虫请求url地址
-当前url对应的的响应
–elements的内容和爬虫获取到的url地址的响应不同,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resonse
–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,但是不安全
HTTP:HTTP+SSL(安全套接字存)
-传输前数据先加密,之后再解密获取内容
-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请求有,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其
-如果我们需要模拟手机版浏览器发送请求,对应的就需要将user-Agent改成手机版
-cookie:用来存储用户信息,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
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