爬虫必须得会的预备知识
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
- 今日头条
- 网易云音乐
- 12306抢票
- 网站自动投票
- 短信轰炸
- 等等
爬虫的流程
- 向起始url发送请求，并获取响应
- 对响应进行提取
- 如果提取url，则继续发送请求获取响应
- 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
- 爬虫概念：模拟浏览器发送网络请求，接收请求响应。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：聚焦爬虫、通用爬虫
- 爬虫的流程：
- 向起始 url 发送请求，并获取响应
- 对响应进行提取
- 如果提取 url，则继续发送请求获取响应
- 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
- 浏览器通过域名解析服务器（DNS）获取IP地址
- 浏览器先向 IP 发起请求，并获取相应
- 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
- 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
- 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
- HTTP、RTSP、FTP -------> 应用层
- TCP、UDP -------> 传输层
- IP -------> 网络层
- 数据链路 -------> 数据链路层
- 物理介质 -------> 物理层
url 地址格式
格式说明： scheme://host[:port]/path/…/[?query-string][#anchor]
- scheme：协议（例如：http, https, ftp）
- host：服务器的 IP 地址或者域名
- port：服务器的端口（如果是走协议默认端口，缺省端口80）
- path：访问资源的路径
- query-string：参数，发送给 http 服务器的数据
- anchor：锚（跳转到网页的指定锚点位置）
HTTP 请求
- 请求格式
- 案例
- 请求方式
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。 |
- 常见请求头
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
- 响应格式
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
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 |
- HTTP 状态码
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 |
- 常见的 HTTP 状态码：
- 200 - 请求成功
- 301 - 资源（网页等）被永久转移到其它 URL
- 404 - 请求的资源（网页等）不存在
- 500 - 内部服务器错误
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- HTTPS 作用
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 与 HTTPS 优缺点
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。
- 当前形式
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）