如果你要编写一个爬虫程序,那么你必须要了解与之相关的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
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
5、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
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
- 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
- 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
登录后可发表评论