爬虫概念、工具和 HTTP
1. 爬虫是什么
- 爬虫:
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. 爬虫的数据
- 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
- python基础
- 基础语法(字符串,列表,字典,判断和循环)
- 函数(函数的创捷和调用)
- 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
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utl地址
- 当前url对应的响应+js+css+图片
-
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地址的响应不同,需要爬虫中以当前对应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
- 在页面上右键显示源代码
5. 认识 HTTP、HTTPS
- HTTP 和 HTTPS 是什么
HTTP
:超文本传输协议- 以明文的形式传输
- 效率高,但不安全
HTTPS
:HTTP + SSL(安全套接字层)- 传输之前数据先加密,后解密获取内容
- 效率太低,但是安全
- HTTP 协议之请求
HTTP | |
---|---|
Request | |
请求行 | |
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 |
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 |
要获取登陆才后才能访问的页面 | |
对方的服务器会通过cookie来判断我妈是一个爬虫 | |
请求体 | |
GET | 没有请求体 |
数据放到 url 地址中 | |
POST | 有请求体--携带数据 |
常用于登陆注册 | |
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 协议之响应
HTTP | |
---|---|
Respones | |
响应头 | |
响应体 | |
url对应的响应 | |
Set-Cookie | 对方服务器通过该字段设置cookie到本地 |