爬虫必须得会的Web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

5.23_.5_.1_.jpg

 
 
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

5.23_.5_.2_.jpg

 
 
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

5.23_.5_.3_.jpg

 
HTTP协议结构图

5.23_.5_.4_.jpg

 
 
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

5.23_.5_.5_.jpg

 
 
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

5.23_.5_.6_.png

 
 
案例


5.23_.5_.7_.jpg

 
 
 
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。


5.23_.5_.8_.jpg

 
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
HTTPS1- 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)
 

来源:CriseLYJ 链接:
https://github.com/CriseLYJ/Py ... ster/爬虫预备知识.md


 

0 个评论

要回复文章请先登录注册