爬蟲必須得會的預備知識

 （點選上方快速關註並設定為星標，一起學Python）

來源：CriseLYJ  連結：

https://github.com/CriseLYJ/Python-crawler-tutorial-starts-from-zero

爬蟲定義、分類和流程

爬蟲定義

網路爬蟲（又被稱為網頁蜘蛛，網路機器人）就是模擬瀏覽器傳送網路請求，接收請求響應，一種按照一定的規則，自動地抓取網際網路資訊的程式。

爬蟲就是模擬瀏覽器的行為，越像越好，越像就越不容易被髮現。

原則上,只要是瀏覽器(客戶端)能做的事情，爬蟲都能夠做。

爬蟲的分類

通用爬蟲：通常指搜尋引擎的爬蟲

聚焦爬蟲：針對特定網站的爬蟲

爬蟲的用途

• 今日頭條
• 網易雲音樂
• 12306搶票
• 網站自動投票
• 簡訊轟炸
• 等等

爬蟲的流程

1. 向起始url傳送請求，並獲取響應
2. 對響應進行提取
3. 如果提取url，則繼續傳送請求獲取響應
4. 如果提取資料，則將資料進行儲存

robots 協議

Robots 協議：網站透過 Robots 協議告訴搜尋引擎哪些頁面可以抓取，哪些頁面不能抓取，但它僅僅是道德層面上的約束 例如：淘寶的 robots 協議

總結

• 爬蟲概念：模擬瀏覽器傳送網路請求，接收請求響應。只要是瀏覽器(客戶端)能做的事情，爬蟲都能夠做。
• 爬蟲的分類：聚焦爬蟲、通用爬蟲
• 爬蟲的流程：

1. 向起始 url 傳送請求，並獲取響應
2. 對響應進行提取
3. 如果提取 url，則繼續傳送請求獲取響應
4. 如果提取資料，則將資料進行儲存

HTTP 與 HTTPS 的概念

HTTP

概念：HTTP（超文字傳輸協議）是應用層上的一種客戶端/服務端模型的通訊協議,它由請求和響應構成，且是無狀態的。 協議：協議規定了通訊雙方必須遵守的資料傳輸格式，這樣通訊雙方按照約定的格式才能準確的通訊。 無狀態：無狀態是指兩次諒解通訊之間是沒有任何聯絡的，每次都是一個新的連線，服務端不會記錄前後的請求資訊。

HTTP 請求流程

1. 瀏覽器透過域名解析伺服器（DNS）獲取IP地址

2. 瀏覽器先向 IP 發起請求，並獲取相應

3. 在傳回的響應內容（html）中，會帶有 css、js、圖片等 url 地址，以及 ajax 程式碼，瀏覽器按照響應內容中的順序依次傳送其他的請求，並獲取相應的響應

4. 瀏覽器每獲取一個響應就對展示出的結果進行新增（載入），js，css 等內容會修改頁面的內容，js也可以重新傳送請求，獲取響應

5. 從獲取第一個響應併在瀏覽器中展示，直到最終獲取全部響應，併在展示的結果中新增內容或修改————這個過程叫做瀏覽器的渲染

五層網路模型

HTTP協議結構圖

網路模型對應關係

1. HTTP、RTSP、FTP ——-> 應用層
2. TCP、UDP ——-> 傳輸層
3. IP ——-> 網路層
4. 資料鏈路 ——-> 資料鏈路層
5. 物理介質 ——-> 物理層

url 地址格式

格式說明： scheme://host[:port]/path/…/[?query-string][#anchor]

1. scheme：協議（例如：http, https, ftp）
2. host：伺服器的 IP 地址或者域名
3. port：伺服器的埠（如果是走協議預設埠，預設埠80）
4. path：訪問資源的路徑
5. query-string：引數，傳送給 http 伺服器的資料
6. anchor：錨（跳轉到網頁的指定錨點位置）

HTTP 請求

• 請求格式
  

  

   

• 案例
  

  

   

• 請求方式

根據 HTTP 標準，HTTP 請求可以使用多種請求方法。

HTTP1.0 定義了三種請求方法： GET, POST 和 HEAD 方法。

HTTP1.1 新增了五種請求方法：OPTIONS, PUT, DELETE, TRACE 和 CONNECT 方法。

• 常見請求頭

HTTP 響應

• 響應格式

HTTP響應也由四個部分組成，分別是：狀態行、訊息報頭、空行（回車符 + 換行符）和響應正文。

• 響應頭

• HTTP 狀態碼

當瀏覽者訪問一個網頁時，瀏覽者的瀏覽器會向網頁所在伺服器發出請求。當瀏覽器接收並顯示網頁前，此網頁所在的伺服器會傳回一個包含 HTTP 狀態碼的資訊頭（server essay-header）用以響應瀏覽器的請求。

HTTP 狀態碼的英文為 HTTP Status Code。

HTTP 狀態碼由三個十進位制數字組成，第一個十進位制數字定義了狀態碼的型別，後兩個數字沒有分類的作用。HTTP 狀態碼共分為 5 種型別

• 常見的 HTTP 狀態碼：
• 200 – 請求成功
• 301 – 資源（網頁等）被永久轉移到其它 URL
• 404 – 請求的資源（網頁等）不存在
• 500 – 內部伺服器錯誤

HTTPS

1- HTTP + SSL (安全套接字層)，即帶有安全套接字層的超本文傳輸協議
2- 預設埠號：443

• HTTPS 作用

在傳輸過程中對資料進行加密，防止中間路由器、交換機等中間的路由裝置對資料進行篡改。

• HTTP 與 HTTPS 優缺點

HTTP 因為不需要對資料進行加密所以效能更高，但是安全性差。

HTTPS 雖然安全性高，但是因為瀏覽器和伺服器端需要對資料進行加解密，所以佔用伺服器資源。

• 當前形式

註意：目前 HTTPS 是未來主流，微信小程式，iOS 客戶端，android 客戶端的介面提供都需要 HTTPS 介面支援。