爬虫必须得会的预备知识

点击“小詹学Python”，选择“星标”公众号

重磅干货，第一时间送达

来源：CriseLYJ  链接：

https://github.com/CriseLYJ/Python-crawler-tutorial-starts-from-zero

爬虫定义、分类和流程

爬虫定义

网络爬虫（又被称为网页蜘蛛，网络机器人）就是模拟浏览器发送网络请求，接收请求响应，一种按照一定的规则，自动地抓取互联网信息的程序。

爬虫就是模拟浏览器的行为，越像越好，越像就越不容易被发现。

原则上,只要是浏览器(客户端)能做的事情，爬虫都能够做。

爬虫的分类

通用爬虫：通常指搜索引擎的爬虫

聚焦爬虫：针对特定网站的爬虫

爬虫的用途

爬虫的流程

1. 向起始url发送请求，并获取响应

2. 对响应进行提取

3. 如果提取url，则继续发送请求获取响应

4. 如果提取数据，则将数据进行保存

robots 协议

Robots 协议：网站通过 Robots 协议告诉搜索引擎哪些页面可以抓取，哪些页面不能抓取，但它仅仅是道德层面上的约束 例如：淘宝的 robots 协议

总结

1. 向起始 url 发送请求，并获取响应

2. 对响应进行提取

3. 如果提取 url，则继续发送请求获取响应

4. 如果提取数据，则将数据进行保存

HTTP 与 HTTPS 的概念

HTTP

概念：HTTP（超文本传输协议）是应用层上的一种客户端/服务端模型的通信协议,它由请求和响应构成，且是无状态的。 协议：协议规定了通信双方必须遵守的数据传输格式，这样通信双方按照约定的格式才能准确的通信。 无状态：无状态是指两次谅解通信之间是没有任何联系的，每次都是一个新的连接，服务端不会记录前后的请求信息。

HTTP 请求流程

1. 浏览器通过域名解析服务器（DNS）获取IP地址

2. 浏览器先向 IP 发起请求，并获取相应

3. 在返回的响应内容（html）中，会带有 css、js、图片等 url 地址，以及 ajax 代码，浏览器按照响应内容中的顺序依次发送其他的请求，并获取相应的响应

4. 浏览器每获取一个响应就对展示出的结果进行添加（加载），js，css 等内容会修改页面的内容，js也可以重新发送请求，获取响应

5. 从获取第一个响应并在浏览器中展示，直到最终获取全部响应，并在展示的结果中添加内容或修改————这个过程叫做浏览器的渲染

五层网络模型

HTTP协议结构图

网络模型对应关系

1. HTTP、RTSP、FTP -------> 应用层

2. TCP、UDP -------> 传输层

3. IP -------> 网络层

4. 数据链路 -------> 数据链路层

5. 物理介质 -------> 物理层

url 地址格式

格式说明： scheme://host[:port]/path/…/[?query-string][#anchor]

1. scheme：协议（例如：http, https, ftp）

2. host：服务器的 IP 地址或者域名

3. port：服务器的端口（如果是走协议默认端口，缺省端口80）

4. path：访问资源的路径

5. query-string：参数，发送给 http 服务器的数据

6. anchor：锚（跳转到网页的指定锚点位置）

HTTP 请求

根据 HTTP 标准，HTTP 请求可以使用多种请求方法。

HTTP1.0 定义了三种请求方法： GET, POST 和 HEAD 方法。

HTTP1.1 新增了五种请求方法：OPTIONS, PUT, DELETE, TRACE 和 CONNECT 方法。

请求方式	描述
GET	请求指定的页面信息，并返回实体主体。
HEAD	类似于 get 请求，只不过返回的响应中没有具体的内容，用于获取报头
POST	向指定资源提交数据进行处理请求（例如提交表单或者上传文件）。数据被包含在请求体中。POST 请求可能会导致新的资源的建立和/或已有资源的修改。
PUT	从客户端向服务器传送的数据取代指定的文档的内容
DELETE	请求服务器删除指定的页面。
CONNECT	HTTP/1.1 协议中预留给能够将连接改为管道方式的代理服务器。
OPTIONS	允许客户端查看服务器的性能。
TRACE	回显服务器收到的请求，主要用于测试或诊断。

请求头	作用
Cookie	Cookie
User-Agent	浏览器名称
Referer	页面跳转处
Host	主机和端口号
Connection	链接类型
Upgrade-Insecure-Requests	升级为 HTTPS 请求
Accept	传输文件类型
Accept-Encoding	文件编解码格式
x-requested-with : XMLHttpRequest	ajax 请求

HTTP 响应

HTTP响应也由四个部分组成，分别是：状态行、消息报头、空行（回车符 + 换行符）和响应正文。

响应头	作用
Location	这个头配合 302 状态码使用，告诉用户端找谁。
Set-Cookie	设置和页面关联的 Cookie
Content-Type	服务器通过这个头，回送数据的类型
Server	服务器通过这个头，告诉浏览器服务器的类型
Content-Length	服务器通过这个头，告诉浏览器回送数据的长度
Connection	服务器通过这个头，响应完是保持链接还是关闭链接

当浏览者访问一个网页时，浏览者的浏览器会向网页所在服务器发出请求。当浏览器接收并显示网页前，此网页所在的服务器会返回一个包含 HTTP 状态码的信息头（server header）用以响应浏览器的请求。

HTTP 状态码的英文为 HTTP Status Code。

HTTP 状态码由三个十进制数字组成，第一个十进制数字定义了状态码的类型，后两个数字没有分类的作用。HTTP 状态码共分为 5 种类型

分类	分类描述
1**	信息，服务器收到请求，需要请求者继续执行操作
2**	成功，操作被成功接收并处理
3**	重定向，需要进一步的操作以完成请求
4**	客户端错误，请求包含语法错误或无法完成请求
5**	服务器错误，服务器在处理请求的过程中发生了错误

HTTPS

1- HTTP + SSL (安全套接字层)，即带有安全套接字层的超本文传输协议2- 默认端口号：443- HTTP + SSL (安全套接字层)，即带有安全套接字层的超本文传输协议
2- 默认端口号：443

在传输过程中对数据进行加密，防止中间路由器、交换机等中间的路由设备对数据进行篡改。

HTTP 因为不需要对数据进行加密所以性能更高，但是安全性差。

HTTPS 虽然安全性高，但是因为浏览器和服务器端需要对数据进行加解密，所以占用服务器资源。

注意：目前 HTTPS 是未来主流，微信小程序，iOS 客户端，android 客户端的接口提供都需要 HTTPS 接口支持。

（完）

荐读（点击标题即可跳转）

20个安全可靠的免费数据源，各领域数据任你挑