干货:爬虫必须得会的Web知识

x
用微信扫描二维码
分享至好友和朋友圈

  

来源:CriseLYJ 链接:
https://github.com/CriseLYJ/Python-crawler-tutorial-starts-from-zero/blob/master/爬虫预备知识.md

  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:

  2. 对响应进行提取

  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

  4. 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

  

  案例

  

  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。CONNECTHTTP/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 CookieCookie 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 : XMLHttpRequestajax 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 CookieContent-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

  1- 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)

  声明:文内资料来源于网络,仅作分享交流之用,其版权归原作者所有,如有侵权,请联系我们删除!

特别声明:以上内容(如有图片或视频亦包括在内)为自媒体平台“网易号”用户上传并发布,本平台仅提供信息存储服务。

Notice: The content above (including the pictures and videos if any) is uploaded and posted by a user of NetEase Hao, which is a social media platform and only provides information storage services.

跟贴 跟贴 5 参与 36
推荐
资讯
财经
科技
娱乐
游戏
搞笑
汽车
历史
生活
更多
二次元
军事
教育
健身
健康
家居
故事
房产
宠物
旅游
时尚
美食
育儿
情感
人文
数码
三农
艺术
职场
体育
星座
© 1997-2020 网易公司版权所有 About NetEase | 公司简介 | 联系方法 | 招聘信息 | 客户服务 | 隐私政策 | 广告服务 | 侵权投诉 Reporting Infringements | 不良信息举报

中云微迅

互联网领域整体解决方案缔造者

头像

中云微迅

互联网领域整体解决方案缔造者

639

篇文章

36

人关注

列表加载中...
请登录后再关注
x

用户登录

网易通行证/邮箱用户可以直接登录:
忘记密码