Python爬虫基础（一）——HTTP

py3study

修改于 2023-09-20 20:21:15

6080

修改于 2023-09-20 20:21:15

文章被收录于专栏：python3python3

前言

　　因特网联系的是世界各地的计算机（通过电缆），万维网联系的是网上的各种各样资源（通过超文本链接），如静态的HTML文件，动态的软件程序······。由于万维网的存在，处于因特网中的每台计算机可以很方便地进行消息交流、文件资源交流······。基于因特网的帮助，我们可以在web客户端（如浏览器等）通过HTTP访问或者下载web服务端（如网站服务器）上面的web资源。

　　因特网由TCP/IP统筹，在TCP/IP的基础上进行HTTP活动。HTTP位于TCP/IP的应用层。了解HTTP是为了让爬虫程序模拟客户端的行为去请求服务器数据和反爬虫。

　　通过在开发者工具里查看分析网页客户端（浏览器）HTTP的请求报文，获得网页HTTP的请求URL、请求方法、请求头、cookie······，爬虫程序可以完备的模拟浏览器去爬取网站的资源；通过查看分析服务器（网站）返回的HTTP响应报文，了解响应状态，响应主体······，爬虫程序就可以根据这些响应内容去实现程序逻辑、处理响应内容、提取目标信息······

HTTP基础

URL

通常我们说的网址就是一个URL，URL是URI的一个子集，URN也是URI的一个子集，URL和URN存在交集，大概率的情况都是URI=URL，关系如下：

当我们在web客户端浏览器输入网址(URL)的时候，如果网址无误，通过HTTP就能得到web服务端的响应。URL语法如下：

scheme：方案，访问web服务器时使用的协议类型，如http:或https:不区分大小写，最后加一个冒号:
user：用户，访问服务器时指定用户登录，为可选项
password：用户密码，和用户相连，可选
host：主机，服务器地址，可以是DNS可解释的域名（人性化）或IPv4/IPv6地址
port：端口号，指定服务器连接的端口号，即监听的端口号，若客户端省略则为默认端口，HTTP默认端口为80
path：路径，指定服务器上的文件路径，定位资源。由一个斜杠/与前面的URL组件分隔开
params：参数，指定输入参数，形式为键值对，用;将其与path的部分隔开。可选
query：查询，为查询字符串，针对已选的路径内的资源，传入参数，用?将其与URL其他部分隔开。可选
frag：片段，为片段标识符，通常标记出以获取的资源的子资源，通过#与URL其它部分隔开，不会传递到服务端，由客户端内部使用。可选

了解这些是有用的，其中的一个用途就是在爬虫中构建自己的URL请求参数。例如书上所说的如果要爬取作者新的浪微博，由于微博是是ajax的方式加载，需要在开发者工具才能看到ajax请求和服务器的响应，所以请求url需要在开发者工具里查找，经过查找分析，发现xhr（可以查看ajax的请求和响应信息）中的请求URL传入了4个参数（问号后面的即为查询传入的参数），前面三个是不变的，而变化的是最后一个，我们可以利用urllib模块中的urlencode模块来传递这些参数，链接如下：

https://m.weibo.cn/api/container/getIndex?type=uid&value=2830678474&containerid=1076032830678474&page=2

代码如下：

import requests
from urllib.parse import urlencode
base_url = 'https://m.weibo.cn/api/container/getIndex?'
headers = {
    'Host': 'm.weibo.cn',
    'Referer': 'https://m.weibo.cn/u/2830678474',
    'User-Agent': 'Mozilla/5.0 (Macintosh; Intel Mac OS X 10_12_3) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/58.0.3029.110 Safari/537.36',
    'X-Requested-With': 'XMLHttpRequest',
}      # 模拟请求头


def get_page(page):
    params = {
        'type': 'uid',
        'value': '2830678474',
        'containerid': '1076032830678474',
        'page': page
    }
    url = base_url + urlencode(params)
    response = requests.get(url, headers=headers)
    return response.json()    # 由于内容是由ajax加载，响应的内容是json的形式


if __name__ == '__main__':
    for page in range(1,3):
        result = get_page(page)
        print(result)

再如要要抓取今日头条一些街拍的图片，在搜索框输入“街拍”二字之后回车便进入到街拍页面，看下网页的url是：https://www.toutiao.com/search/?keyword=%E8%A1%97%E6%8B%8D，但是直接拿这个去爬取图片是不成功的，因为这些数据是ajax加载，不存在网页源代码文件中，为之奈何？和前面的处理方法一样啊，其中可变参数是offset，这是构造的关键，其中链接的形式如下：

https://www.toutiao.com/search_content/?offset=20&format=json&keyword=%E8%A1%97%E6%8B%8D&autoload=true&count=20&curtab=1&from=search_tab

代码如下：

import requests
from urllib.parse import urlencode


def get_page(offset):
    headers = {
        'User-Agent': "Mozilla/5.0 (compatible; MSIE 9.0; Windows NT 6.1; Win64; x64; Trident/5.0;"
                      " .NET CLR 3.5.30729; .NET CLR 3.0.30729; .NET CLR 2.0.50727; Media Center PC 6.0)",
    }
    params = {
        'offset': offset,
        'format': 'json',
        'keyword': '街拍',
        'autoload': 'true',
        'count': '20',
        'cur_tab': '1',
        'from': 'search_tab',
    }
    base_url = 'https://www.toutiao.com/search_content/?'
    url = base_url + urlencode(params)
    try:
        response = requests.get(url, headers=headers)
        if response.status_code == 200:
            print(response.status_code)
            return response.json()
    except requests.ConnectionError:
        return None


if __name__ == '__main__':
    for offset in range(20, 60, 20):
        result = get_page(offset)
        print(result)

HTTP方法

　　GET方法和POST方法是HTTP中最常用的方法。它们能够访问和下载和访问网站服务器资源，这些网页就是我们要爬取并摘取数据的资源，爬虫程序模拟了浏览器实现这种HTTP的GET或者POST等方法去获取资源。

GET方法

　　GET 方法用来请求访问已被 URI 识别的资源。指定的资源经服务器端解析后返回响应内容。也就是说，如果请求的资源是文本，那就保持原样返回；如果是像 CGI（Common Gateway Interface，通用网关接口）那样的程序，则返回经过执行后的输出结果。如图：

POST方法

　　POST 方法用来传输实体的主体。

　　虽然用 GET 方法也可以传输实体的主体，但一般不用 GET 方法进行传输，而是用 POST 方法。虽说 POST 的功能与 GET很相似，但POST 的主要目的并不是获取响应的主体内容。如图：

HTTP报文

HTTP报文是指客户端和服务器用于HTTP交互的的信息，客户端的HTTP报文称为请求报文，服务器端的报文称为响应报文。需要爬虫某网页的时候，我们可以在开发者工具里面查找并分析这些报文以了解客户端的HTTP请求及URL等，从而模拟客户端去进行数据爬取。

HTTP报文大致可以分为报文首部和主体，两者由最初出现的空行(CR+LF)来划分，如图：

请求首部和请求实例

　　请求首部由请求行（HTTP请求方法、URL、HTTP协议版本）和首部字段（请求首部字段、通用首部字段、实体首部字段）及其他内容组成，以下是请求头部结构和请求实例，其中请求头User-Agent是爬虫在模拟HTTP方法请求网页资源时常常需要添加的一个参数。

响应首部和响应实例

　　响应首部则由状态行(HTTP协议版本、响应状态码(数字和原因短语))和HTTP首部字段(响应首部字段、通用首部字段、实体首部字段）组成，以下分别是响应头部结构和响应实例

通用首部字段

请求首部字段

响应首部字段

Cookie

HTTP 是无状态协议，它不对之前发生过的请求和响应的状态进行管理。也就是说，无法根据之前的状态进行本次的请求处理。为解决此矛盾，Cookie技术通过在请求和响应报文中写入Cookie信息来控制客户端的状态。Cookie会根据从服务端发送过来的报文内的一个叫Set-Cookie的首部字段信息，通知客户端保存cookie。当下次客户端再向此服务器发送请求时，客户端会自动在请求报文加入值后再发过去给服务端。服务端接收到客户端发送过来的cookie之后，会检查这个cookie究竟是从哪一个客户端发送过来，然后对比之前的服务记录，最后得到之前的状态信息。爬虫中也会模拟这种带cookie的HTTP请求来实现反爬虫或使得抓取的数据更全面等，如图

TCP/IP 的分层管理

因特网由TCP/IP统筹，所以万维网间接由它统筹。由于HTTP位于TCP/IP协议簇的应用层，了解TCP/IP协议簇有助于我们更加了解HTTP。CP/IP协议族里重要的一点就是分层，分层的好处在于，当互联网需要改动时，分层之后只需把变动对应的层替换掉即可，设计也变得相对简单。TCP/IP协议族按层次分别分为以下4层：应用层、传输层、网络层和数据链路层。如图：

应用层：应用层决定了向用户提供应用服务时通信的活动。

TCP/IP协议族内预存了各类通用的应用服务。比如FTP（FileTransfer Protocol，文件传输协和DNS（Domain Name System，域名系统）服务就是其中两类。HTTP协议也处于该层。

传输层：传输层对上层应用层，提供处于网络连接中的两台计算机之间的数据传输。

　　在传输层有两个性质不同的协议：TCP（Transmission ControlProtocol，传输控制协议）和UDP（User Data Protocol，用户数据报协议）。

网络层（又名网络互连层）：

网络层用来处理在网络上流动的数据包。数据包是网络传输的最小数据单位。该层规定了通过怎样的路径（所谓的传输路线）到达对方计算机，并把数据包传送给对方。与对方计算机之间通过多台计算机或网络设备进行传输时，网络层所起的作用就是在众多的选项内选择一条传输路线。

链路层（又名数据链路层，网络接口层）：

用来处理连接网络的硬件部分。包括控制操作系统、硬件的设备驱动、NIC（Network Interface Card，网络适配器，即网卡），及光纤等物理可见部分（还包括连接器等一切传输媒介）。硬件上的范畴均在链路层的作用范围之内。

利用 TCP/IP 协议族进行网络通信时，会通过分层顺序与对方进行通信。发送端从应用层往下走，接收端则往应用层往上走。如图：

首先，客户端在应用层（HTTP协议）发出一个想看某个网页的HTTP请求，接着为了传输方便，传输层（TCP协议）把从应用层接受到的数据（请求报文）进行分割，并在各个报文上打上标记序号和端口号发送给网络层，在网络层（IP协议），增加作为通信目的地的MAC地址发送给链路层，至此，发往服务器的通信请求就准备齐全了

接着服务端在链路层接收到客户端发来的请求，然后按序一直往上发送到应用层，当请求传到应用层服务端才算真正接收到客户端发送过来的HTTP请求。发送端在层与层之间传输数据时，每经过一层时必定会被打上一个该层所属的首部信息。反之，接收端在层与层传输数据时，每经过一层时会把对应的首部消去。这种把数据信息包装起来的做法称为封装（encapsulate）