爬虫-基础

文章目录

爬虫基础HTTPURI、URL超文本（hypertext）HTTP和HTTPSHTTP 请求过程请求

网页基础网页的组成

爬虫基础

HTTP

URI、URL

URI（Uniform Resource Identifier）统一资源标识符

URL（Universal Resource Locator）统一资源定位符

包括：访问协议、访问路径、资源名称

URL 阳的子集，也就是说每个 URL 都是 URI ，但不是每个 URI 都是 URL。

URI还包括 个子类叫作 URN ，它的全称为 Universal Resource Name ，即源名称。

UR1叫只命名资源而不指定如何定位资源，比如 um:isbn:0451450523 指定了一本书的 ISBN, 以唯 标识这本书，但是没有指定到哪里定位这本书。

超文本（hypertext）

我们在浏览棉里看到的网 页就是超文本解析而成的，其网页源代码是一系列 HTML代码，里面包含了系列标签，比如img 示图片，p指定显示段落等浏览器解析这些标签后，便形成了我们平常看到的网页，而网页的源代码HTML 就可以称作超文本。

HTTP和HTTPS

协议类型有很多中，例如：http、https、ftp、sftp、smb等

HTTP（Hyper Text Transfer Protocol）超文本传输协议

HTTP 协议是用于从网络传输超文本数据到本地浏览器的传送协议，它能保证高效而准确地传送超文本文档 HTTP 由万维网协会（ World Wide Web Consortium ）和 Internet 工作小组 IETF ( Internet Engineering Task Force ) 共同合作制定的规范。

HTTPS（Hyper Text Transfer Protocol over Secure Socket Layer）安全版HTTP，HTTP下加入SSL层，简称HTTPS。

作用：

建立一个信息安全通道来保证数据传输的安全。确认网站的真实性，凡是使用了 HTTPS 的网站，都可以通过点击浏览器地址栏的锁头标志来查看网站认证之后的真实信息，也可以通过 CA 机构颁发的安全签章来查询。

而某些网站虽然使用了HTTPS 协议，但还是会被浏览器提示不安全，例如我们在 Chrome 浏览器里面打开12306 ，链接为：https://www.l2306.cn/，这时浏览器就会提示“您的连接不是私密连接”这样的话。这是因为 12306的CA证书是中国铁道部自行签发的，而这个证书是不被CA机构信任的，所以 这里证书验证就不会通过而提示这样的话，但是实际上它的数据传输依然是经过SSL加密的如果要爬取这样的站点，就需要设置忽略证书的选项，否则会提示SSL链接错误。

HTTP 请求过程

客户端发出请求—服务器返回响应

浏览器开发者模式（Network）：

第一列Name：请求的名称。一般会将URL 最后一部分内容当作名称。第二要Status：响应的状态码。显示为200 代表响应是正常的。通过状态码，我们可以判断发送了请求之后是杏得到了正常的响应。第三列Type：请求的文梢类型。document代表我们这次请求的是HTML文档，内容就是一些HTML代码。第四列Initiator：请求源。用来标记请求是由哪个对象或进程发起的。第五列Size：从服务器下载的文件和请求的资源大小。如果是从缓存中取得的资源，则该列会显示from cache。第六列Time：发起请求到获取响应所用的总时间。第七列Watefall：网络请求的可视化瀑布流。点击这个条目，即可看到更详细的信息。

首先是 General 部分， Request URL 为请求的 URL, Request Method 请求的方法， Status Code 为响应状态码， Remote Address 为远程服务器的地址和端口， Referrer Policy Referrer 判别策略。

再继续往下，有 Response Headers Request Headers ，这分别代表响应头和请求头 请求头里带有许多请求信息，例如浏览器标识、Cookies Host 等信息，这是请求的一部分，服务器 会根据请求头内的信息判断请求是否合法，进而作出对应的响应 图中看到的 Response Headers 响应的一部分，例如其中包含了服务器的类型、文档类型、日期等信息，浏览器接受到响应后，会解析响应内容，进而呈现网页内容。

请求

请求方法：

常见的请求方法有两种 GET和POST。 在浏览器中直接输入 URL 井回车，这便发起了一个 GET 请求，请求的参数会直接包含到 URL 里。例如，在百度中搜索 Python ，这就是一个 GET 请求，链接为 htψs://www. baidu.corn/s?wd=Python , 其中 URL 中包含了请求的参数信息，这里参数 wd 表示要搜寻的关键字。 POST 请求大多在表单提交 时发起。比如，对于 个登录表单，输入用户名和密码后，点击“登录”按钮，这通常会发起一个 POST 请求，其数据通常以表单的形式传输，而不会体现在 URL中。 GET POST 请求方法有如下区别：

GET 请求中的参数包含在 URL 里面，数据可以在 URL 中看到，而 POST 请求的 URL 不会包含这些数据，数据都是通过表单形式传输的，会包含在请求体中。 GET 请求提交的数据最多只有 1024 字节，而 POST 方式没有限制。 一般来说，登录时，需要提交用户名和密码，其中包含了敏感信息，使用 GET 方式请求的话，密码就会暴露在URL里面，造成密码泄露，所以这里最好以 POST 方式发送上传文件时，由于文件内容比较大，也会选用 POST 方法。

方法描述GET请求页面，并返回页面内容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大多用于提交表单或上传文件，数据包含在请求体中PUT从客户端向服务器传送的数据取代指定文梢中的内容DELETE请求服务器删除指定的页面CONNECT把服务器当作跳板，让服务器代替客户端防问其他网页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 请求的网址：

统一资源定位符（URL），唯一确定资源。 请求头：

Accept ：请求报头域，用于指定客户端可接受哪些类型的信息。Accept-Language ：指定客户端可接受的语言类型。Accept-Encoding ：指定客户端可接受的内容编码。Host ：用于指定请求资源的主机 IP 和端口号，其内容为请求 URL 的原始服务器或网关的位 HTTP 1. 版本开始，请求必须包含此内容。Cookie ：也常用复数形式 Cookies，这是网站为了辨别用户进行会话跟踪而存储在用户本地的数据。它的主要功能是维持当前访问会话。例如，我们输入用户名和密码成功登录某个网站后，服务器会用会话保存登录状态信息，后面我们每次刷新或请求该站点的其他页面时，会发现都是登录状态，这就是 Cookies 的功劳。Cookies 里有信息标识了我们所对应的服务器的会话，每次浏览器在请求该站点的页面时，都会在请求头中加上Cookies并将其发送给服务器，服务器通过 Cookies 识别出是我们自己，并且查出当前状态是登录状态，所以返回结果就是登录之后才能看到的网页内容。Referer ：此内容用来标识这个请求是从哪个页面发过来的，服务器可以拿到这一信息并做相应的处理，如做来源统计、防盗链处理等。User-Agent ：简称 UA，它是一个特殊的字符串头，可以使服务器识别客户使用的操作系统及版本、浏览器及版本等信息。在做爬虫时加上此信息，可以伪装为浏览器；如果不加，很 可能会被识别为爬虫。Content-Type ：也叫互联网媒体类型（ Internet Media Type ）或者 MIME 类型，在 HTTT协议消息头中，它用来表示具体请求中的媒体类型信息。例如， text/html 代表 HTML 格式， image/gif 代表 GIF 图片，application/json代表JSON 类型，更多对应关系可以查看此对照表。

请求体：

请求体 般承载的内容是 POST 请求中的表单数据，而对于 GET 请求，请求体则为空。 登录之前，我们填写了用户名和密码信息，提交时这些内容就会以表单数据的形式提交给服务器， 此时需要注意 Request Headers 指定 Content-Type为application, x-www-form-urlencoded。只有设置 Content-Type 为application/x-www-form-urlencoded ，才会以表单数据的形式提交。另外，我们也可以将 Content-Type 设置为 application/ison 来提交 JSON 数据，或者设置为 multipart/form-data 上传文件。

Content-Type提交数据的方式application, x-www-form-urlencoded表单数据multipart/form-data表单文件上传application/ison序列化JSON数据text/xmlXML数据 在爬虫中，如果要构造 POST 请求，需要使用正确的 Content-Type，并了解各种请求库的各个参数设置时使用的是哪种 Content-Type 不然可能会导致 POST 提交后无法正常相应。 响应：

响应，由服务端返回给客户端，可以分为 部分：响应状态码（ Response Status Code ）、响应头 ( Response Headers ）和响应体（ Response Body）。 晌应状态码:

状态码说明详情100继续请求者应当继续提出请求 服务器已收到请求的一部分，正在等待其余部分101切换协议请求者已要求服务器切换协议，服务器已确认并准备切换200成功服务然已成功处理了请求201已创建请求成功并且服务器创建了新的资源202已接受服务然已接受请求，但尚未处理203非授权信息服务器已成功处理了请求，但返回的信息可能来自另 个源204无内容服务器成功处理了请求 但没有返回任何内容205重置内容服务器成功处理了请求，内容被重宜206部分内容服务器成功处理了部分请求300多种选择针对请求，服务器可执行多种操作301永久移动请求的网页已永久移动到新位置，即永久重定向302临时移动请求的网页暂时跳转到其他页面，即暂时重定向303查看其它位置如果原来的请求是 POST 定向目标文档应该通过 GET 提取304未修改此次请求返回的网页未修改 继续使用上次的资源305使用代理请求者应该使用代理访问该网页307临时重定向请求的资源临时从其他位置 响应400错误请求服务器无法解析该请求401未授权请求没有进行身份验证或验证未通过403禁止访问服务将拒绝此请求404未找到服务器找不到请求的网页405方法禁用服务器禁用了请求中指定的方法406不接受无法使用请求的内容响应请求的网页407需要代理授权请求者需要使用代理授权408请求超时服务器请求超时409冲突服务器在完成请求时发生冲突410已删除请求的资源已永久删除411需要有效长度服务器不接受不含有效内容长度标头字段的请求412未满足前提条件服务器未满足请求者在请求中设置的其中 个前提条件413请求实体过大请求实体过大，超出服务器的处理能力414请求URI请求网址过长，服务器无法处理415不支持类型请求格式不被请求页面支持416请求范围不符页面而无法提供请求的范围417未满足期望值服务器未满足期望请求标头 段的要求500服务器内部错误服务器遇到错误，无法完成请求501未实现服务器不具备完成请求的功能502错误网关服务器作为网关或代理 从上游服务然收到元效响应503服务不可用服务器目前无法使用504网关超时服务器作为网关或代理，但是没有及时从上游服务器收到请求505HTTP版本不支持 服务器不支持请求中所用的 TP 协议版本 响应头：

响应头含了服务器对请求的应答信息，如 Content-Type、Server、Set- Cookie等。Date：标识 应产生的时间Last-Modified：指定资源 最后修改时间。Content-Encoding：指定相应内容的编码。Server：包含服务器的信息 ，比如 、版本号等Content-Type：文档类型 ，指定返回的 类型是 ，如 text/ html 代表返回 HTML 文档， application/x-javascript 则代表返回 JavaScript 文件， image/jpeg 代表返回图片Set-Cookie：设置 Cookie 应头中的 Set-Cookie 告诉浏览器需要将此内容放在 Cookies 中，下次请求携带 Cookies 请求。Expires：指定响应的过期时间 可以使代理服务器或浏览器将加载的容容更新到缓存中。如果再次访 时，就可以直接从缓存中加载，降低服务器负载，缩短加载时间。 响应体：

响应的正文数据都在响应体中，比如请求网页时，它的响应体就 HTML 代码；请求一张图片时，它 的响应体就是图片的二进制数据。做爬虫请求网页后，要解析的内容就是响应体。做爬虫时，主要通过响应体得到网页代码、JSON数据等，然后从中做相应内容的提取。

网页基础

网页的组成

网页可分为三大部分一一HTML、CSS、JavaScript。如果把网页比作一个人的话，HTML于骨架， JavaScript 当于肌肉，css相当于皮肤，三者结合才能形成一个完善的网页。

HTML

HTML 是用来描述网页的一种语言，其全称叫作 Hype Text Markup Language ，即超文本标记语言。网页 括文字、按钮、图片、视频等各种复杂的元素，其基础架构就是HTML 类型的文字通过不同类型的标签来表示 ，如图片用 img 标签表示， 视频用video 标签表示 ，段落用p标签表示，它们之间的布局又常通过布局标签div 嵌套组合而戚 ，各种标签通过不同的排列和嵌套才形成了网页的框架。 CSS

HTML 定义了网页的结构，但是只有 HTML 页面的布局并不美观，可能只是简单的节点元素的排 列，为了让网页看起来更好看一些，这里借助了CSS。CSS，全称叫作 Cascading Style Sheets ，即层叠样式表 “层叠”是指当在 HTML 中引用了数个样 式文件，并且样式发生冲突时，浏览器能依据层叠顺序处理 “样式”指网页中文字大小、颜色 、元素间距、排列等格式。CSS是目前唯一的网页页面排版样式标准，有了它的帮助，页面才会变得更为美观。大括号前面是一个 CSS 选择器。此选择器的意思是首先选中 id为head_wrapper且class为s-ps-islite 的节点，然后再选中其内部的 class为s-p-top 的节点。大括号内部写的就是条条样式规则，例如 position 指定了这个元素的布局方式为绝对布局， bottom 指定元素的下边距为 40 素， width 指定了宽度为 100% 占满父元素， height 则指定了元素的高度。也就是说，我们将位置宽度、高度等样式配置统一写成这样的形式，然后用大括号括起来，接着在开头再加上CSS 选择器，这就代表这个样式对CSS 选择器选中的元素生效，元素就会根据此样式来展示。在网页中，一般会统一定义整个网页的样式规则，并写人 css 文件中（其后缀为CSS）。在 HTML 中，只需要用 link 标签即可引人写好的 CSS文件，这样整个页面就会变得美观优雅。 JavaScript

JavaScript ，简称 JS 是一种脚本语 HTML、CSS配合使用， 提供给用户的只是一种静态信 息，缺乏交互性。我们在网页里可能会看到一些交互和动画效果，如下载进度条、提示框 轮播图等，这通常就是 JavaScript 的功劳，它的出现使得用户与信息之间不只是一种浏览与显示的关系，而是实现了一种实时、动态、交互的页面功能。JavaScript 通常也是以单独的文件形式加载的，后缀为 js ，在 HTML 中通过 script 标签即可引人。

好文链接

 您阅读本篇文章共花了：