Java爬虫技术—入门秘籍之HTTP协议和robtos协议(一)

文章目录：

1. 入门秘籍—Http协议与robots协议
2. 内功修炼—深入理解网络爬虫概念，作用，原理和爬取方式及流程
3. 山中奇遇—得授页面解析技术之Xpath
4. 入驻兵器阁—获取爬虫神器之Jsoup
5. 入驻兵器阁—获取爬虫神器之HttpClient
6. 初出江湖路遇波折—常见反爬虫策略
7. 伪装身份破入山门—反爬虫对策之模拟身份代理IP
8. 修炼升级—htmlutil工具抓取ajax动态页面
9. 升级进阶—Selenium自动化工具
10. 化繁为简唯快不破—webmagic框架快速开发爬虫应用

 

 

引子

随着大数据技术兴起，互联网江湖再现波澜。数据采集这门一本万利的生意，一直被python这个门派所独揽，独步天下，无人能敌。然，天下熙熙，皆为利来；天下攘攘，皆为利往，曾经的web技术领域的江湖大佬，java岛亦有不甘，欲再现江湖，与之平分天下……

 

第一章   入门秘籍之Http协议和robots协议

 

爬虫元年，java岛欲重开山门，广招java弟子。

时年六月三十日，残阳如血。

       小奇手握毕业证书，带着毕业聚餐之后的伤感和对未来之憧憬，意欲在互联网江湖中闯出一番天下，雄心勃勃果断上路，踏上了去往java岛修炼的征程。经过重重考验，过五关斩六将，终于如愿以偿的成为了java岛爬虫谷的入室弟子。

办完手续，了解了注意事项，领了服装，工具设备和两本小册子，小奇就一头扎进宿舍开始迫不及待的研究入门秘籍了。

       首先是一本《HTTP协议》，HyperText Transfer Protocol也就是超文本传输协议。是因特网上应用最为广泛的一种网络传输协议，所有的WWW文件都必须遵守这个标准。HTTP是一个基于TCP/IP通信协议来传递数据（HTML文件, 图片文件, 查询结果等）。

       看完概念，小奇若有所思，继续往下学习Http协议的工作原理：HTTP协议工作于客户端-服务端架构上，浏览器作为HTTP客户端通过URL向HTTP服务端即WEB服务器发送所有请求，服务器端接到请求之后把相应的资源信息响应给客户端，从而完成一个请求响应的过程。

如图所示：

 

同时小奇也注意到，Http协议有以下特点：

1.HTTP是无连接：无连接的含义是限制每次连接只处理一个请求。服务器处理完客户的请求，并收到客户的应答后，即断开连接。采用这种方式可以节省传输时间。

2.HTTP是媒体独立的：这意味着，只要客户端和服务器知道如何处理的数据内容，任何类型的数据都可以通过HTTP发送。客户端以及服务器指定使用适合的MIME-type内容类型。

3.HTTP是无状态：HTTP协议是无状态协议。无状态是指协议对于事务处理没有记忆能力。缺少状态意味着如果后续处理需要前面的信息，则它必须重传，这样可能导致每次连接传送的数据量增大。另一方面，在服务器不需要先前信息时它的应答就较快。

了解了工作原理和特点之后，小奇又开始进行了深入的思考。在数据传输过程中它的数据报文格式是怎样的呢？秘籍中也给出了解释：

客户端发送一个HTTP请求到服务器的请求消息包括以下格式：

请求行（request line）、请求头部（header）、空行和请求数据四个部分组成。

如图所示：

 

请求行以一个请求符号开头，以空格分开，后面跟着请求的URI和协议的版本，格式如下：

Method Request-URI HTTP-Version CRLF  

实例：GET /login.jsp HTTP/1.1

其中GET是本次请求所采用的请求方法，HTTP请求方法有七种：

请求头部信息：

请求头部由key/value键值对组成，每行一对。请求头部通知服务器有关于客户端请求的信息，典型的请求头有：

Accept: text/html,image/*    

Accept-Charset: UTF-8

Accept-Encoding: gzip,compress

Accept-Language: en-us,zh-cn

Host: www.zhidisoft.com:80

If-Modified-Since: Tue, 11 Jul 2017 18:23:51 GMT

Referer: http://www.zhidisoft.com/index.jsp

User-Agent: Mozilla/4.0 (compatible; MSIE 5.5; Windows NT 5.0)

Connection: close/Keep-Alive   

Date: Tue, 11 Jul 2017 18:23:51 GMT

HTTP响应(response):

服务器端对一个HTTP请求处理完毕之后，服务器会返回给客户端一些信息，这就是HTTP响应。一个HTTP响应代表服务器向客户端回送的数据，它也包括三个部分：一个状态行、若干消息头、以及实体内容 。其中的一些消息头和实体内容都是可选的，消息头和实体内容间要用空行隔开:

HTTP状态行格式如下：

HTTP-Version Status-Code Reason-Phrase CRLF

HTTP-Versio：表示服务器HTTP协议的版本

Status-Code：表示服务器发回的响应状态代码

Reason-Phrase：表示状态代码的文本描述

状态码用于表示服务器对请求的处理结果。响应状态码分为5类，如下所示：

消息报头：

与请求报头类似，不同在于请求报头附带的是关于请求的相关信息，而消息报头则附带的是服务端应答的相关信息。

常见的响应头：

Content-Encoding: gzip

Content-Type: text/html; charset=UTF-8

Last-Modified: Tue, 11 Jul 2017 18:23:51 GMT

Expires: -1

Cache-Control: no-cache  

Pragma: no-cache   

Connection: close/Keep-Alive   

Date: Tue, 11 Jul 2017 18:23:51 GMT

 

通过以上内容的学习，小奇略有所得。实践才是检验真理的唯一标准，于是迫不及待的打开电脑连接上互联网，在浏览器中输入网址，通过HTTP协议访问互联网。看到响应的页面信息后，按F12键打开开发者工具，再刷新页面，点击一个请求连接，可以查看到部分该请求响应的报文信息：

       通过实践小奇对HTTP协议的请求响应模式又有了新的认识和感悟，果然是背靠大树好乘凉，以前虽然也是在使用互联网，但知其然而不知其所以然，现在终于搞明白怎么回事了。

       接着又打开了另外一本小册子《robots协议》，Robots协议全称是“网络爬虫排除标准”（Robots Exclusion Protocol），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，也称为爬虫协议、机器人协议等。Robots协议可以屏蔽一些网站中比较大的文件，如：图片，音乐，视频等，节省服务器带宽；可以屏蔽站点的一些死链接。方便搜索引擎抓取网站内容；设置网站地图连接，方便引导蜘蛛爬取页面。

Robots协议的语法格式：

Disallow: /表示禁止访问，Allow: /表示允许访问。

在写robots.txt时需特别注意的是，/前面有一个英文状态下的空格（必须是英文状态下的空格）。

禁止搜索引擎访问网站中的某几个文件夹，以a、b、c为例，写法分别如下：

Disallow: /a/

Disallow: /b/

Disallow: /c/

禁止搜索引擎访问文件夹中的某一类文件，以a文件夹中的js文件为例，写法如下：

Disallow: /a/*.js

只允许某个搜索引擎访问，以Baiduspider为例，写法如下：

User-agent: Baiduspider

Disallow:

禁止访问网站中的动态页面

User-agent: *

Disallow: /*?*

只允许搜索引擎访问某类文件，以htm为例，写法如下：

User-agent: *

Allow: .htm$

Disallow: /

禁止某个搜索引擎抓取网站上的所有图片，以Baiduspider为例，写法如下：

User-agent: Baiduspider

Disallow: .jpg$

Disallow: .jpeg$

Disallow: .gif$

Disallow: .png$

Disallow: .bmp$

robots.txt文件存放在网站根目录下，并且文件名所有字母都必须小写。

       看完robots协议的介绍之后，小奇发现这就是一个规范说明而已，不禁有些感叹，“就是一个防君子不防小人的行业规范嘛”。

“嗯，robots就是一个君子协定”，突然后面有人应声道。

       小奇被这突然的声音吓了一跳，由于太过专注，没有发现后面有人在看自己。高高的个子，戴个黑框眼镜，一头短发，酷酷的感觉。小奇这才突然想起来，办理手续的时候，告诉过自己，是同宿舍的小酷师兄，于是连忙问好：“小酷师兄好！”

      “你是新来的小奇师弟吧”。接着说道：“robots协议虽然平时与我们影响不大，但真正做项目的时候还是需要注意的。听说过2012年的时候的3百大战吗？那真是一场血雨腥风的大战，百度指责360不顾robots协议，非法抓取百度的信息，要求赔偿1亿元损失，360指责百度行业垄断，相互掐架，后来sogo，腾讯等公司相序加入战团，一片混乱。最后，工信部调解，双方才停止相互攻击。直到2013年4月27日，百度起诉360不正当竞争案今日宣判，北京一中院依据robots协议等相关规范判决360败诉，要求360停止不正当竞争行为、连续15日在首页道歉声明，赔偿损失45万元”，说起这件事小酷师兄满脸的悻悻之色。

小奇听完也是充满了震惊感叹道：“robots协议还是蛮重要的”。

       “嗯，平时我们自己练练手之类的可以不用在意，在不影响宗门利益的情况下，也可以自由发挥的，以后你就会明白的。”，小酷师兄总结道。

        “对了，明天早起别忘了去问道阁参加入门弟子的培训”，说完就呼呼睡去。

更多视频java爬虫视频课程：https://edu.csdn.net/course/detail/20623/258631