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

  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

  • 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:
  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
  • 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)

原文发布于微信公众号 - 小詹学Python(xiaoxiaozhantongxue)

原文发表时间:2019-05-13

本文参与腾讯云自媒体分享计划,欢迎正在阅读的你也加入,一起分享。

发表于

我来说两句

0 条评论
登录 后参与评论

扫码关注云+社区

领取腾讯云代金券