python网络爬虫知识点

1.什么是http协议?

http协议为超文本传输协议，通过浏览器和服务器进行数据交互，进行文本图片视频等传输的规定
2.http和https的区别?

1. http是明文传输，数据未加密，安全性差；https经过加密，安全性高
2. 用https需要申请证书，收费；http免费
3. http的响应速度更快
4. 两者 的端口不一样。http为80，https为443
5. https更耗费服务器资源

3.什么是爬虫，有哪些分类?

爬虫是按照一定规则，自动抓取网络信息的程序或者脚本。

分类：

爬虫分为通用网络爬虫，聚焦网络爬虫，增量式网络爬虫，累计式网络爬虫，深层网络爬虫
4.数据爬取的步骤有哪些?

获取网站数据->数据储存->数据处理->数据利用

通过网站的url及伪造header来获取数据

将数据存入本地临时数据库（可以是txt文件之类的）

因为数据驳杂无章，所以需要我们进行筛选来获取自己需要的数据

htmls = BeautifulSoup(html.text,"html.parser")
name = htmls.select("#content > div > div.article")

用自己获取到的数据做一些例如模型之类的东西

5.如何审查页面元素?

ctrl+shift+i快捷键打开开发者工具
6.什么是cookie?

类型为“小型文本文件”，是某些网站为了辨别用户身份，进行跟踪而储存在用户本地终端上的数据（通常经过加密），由用户客户端计算机暂时或永久保存的信息。

当header请求不成功时，可以试着在header字典里加上cookie及值
7、get方法和post方法的区别?

1. GET产生一个TCP数据包；POST产生两个TCP数据包；
   对于GET方式的请求，浏览器会把http header和data一并发送出去，服务器响应200（返回数据）
   对于POST，浏览器先发送header，服务器响应100 continue，浏览器再发送data，服务器响应200 ok（返回数据）。
2. GET在浏览器回退时是无害的，而POST会再次提交请求
3. GET请求参数会被完整保留在浏览器历史记录里，而POST中的参数不会被保留
4. GET请求只能进行url编码，而POST支持多种编码方式
5. GET比POST更不安全，因为参数直接暴露在URL上，所以不能用来传递敏感信息

8.常见的状态码有哪些

 2XX——表明请求被正常处理了

1、200 OK：请求已正常处理。

2、204 No Content：请求处理成功，但没有任何资源可以返回给客户端，一般在只需要从客户端往服务器发送信息，而对客户端不需要发送新信息内容的情况下使用。

3、206 Partial Content：是对资源某一部分的请求，该状态码表示客户端进行了范围请求，而服务器成功执行了这部分的GET请求。响应报文中包含由Content-Range指定范围的实体内容。

3XX——表明浏览器需要执行某些特殊的处理以正确处理请求

4、301 Moved Permanently：资源的uri已更新，你也更新下你的书签引用吧。永久性重定向，请求的资源已经被分配了新的URI，以后应使用资源现在所指的URI。

5、302 Found：资源的URI已临时定位到其他位置了，姑且算你已经知道了这个情况了。临时性重定向。和301相似，但302代表的资源不是永久性移动，只是临时性性质的。换句话说，已移动的资源对应的URI将来还有可能发生改变。

6、303 See Other：资源的URI已更新，你是否能临时按新的URI访问。该状态码表示由于请求对应的资源存在着另一个URL，应使用GET方法定向获取请求的资源。303状态码和302状态码有着相同的功能，但303状态码明确表示客户端应当采用GET方法获取资源，这点与302状态码有区别。

当301,302,303响应状态码返回时，几乎所有的浏览器都会把POST改成GET，并删除请求报文内的主体，之后请求会自动再次发送。

7、304 Not Modified：资源已找到，但未符合条件请求。该状态码表示客户端发送附带条件的请求时（采用GET方法的请求报文中包含If-Match，If-Modified-Since，If-None-Match，If-Range，If-Unmodified-Since中任一首部）服务端允许请求访问资源，但因发生请求未满足条件的情况后，直接返回304.。

8、307 Temporary Redirect：临时重定向。与302有相同的含义。

4XX——表明客户端是发生错误的原因所在。

9、400 Bad Request：服务器端无法理解客户端发送的请求，请求报文中可能存在语法错误。

10、401 Unauthorized：该状态码表示发送的请求需要有通过HTTP认证（BASIC认证，DIGEST认证）的认证信息。

11、403 Forbidden：不允许访问那个资源。该状态码表明对请求资源的访问被服务器拒绝了。（权限，未授权IP等）

12、404 Not Found：服务器上没有请求的资源。路径错误等。

5XX——服务器本身发生错误

13、500 Internal Server Error：貌似内部资源出故障了。该状态码表明服务器端在执行请求时发生了错误。也有可能是web应用存在bug或某些临时故障。

14、503 Service Unavailable：抱歉，我现在正在忙着。该状态码表明服务器暂时处于超负载或正在停机维护，现在无法处理请求。
————————————————
版权声明：本文为CSDN博主「Sara2018」的原创文章，遵循CC 4.0 BY-SA版权协议，转载请附上原文出处链接及本声明。
原文链接：https://blog.csdn.net/qq_35689573/article/details/82120851