Python爬虫（一）—爬虫的预备知识（爬虫概念、HTTP与HTTPS、请求与响应）

这篇博文，主要是结合CriseLYJ/Python-crawler-tutorial-starts-from-zero内关于Python爬虫的预备知识进行记录的。

---

爬虫的定义、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
• 爬虫的流程
  爬虫流程步骤如下：
  • 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。例如百度资源搜索平台内关于robots的作用解释，其中最重要的也就是robots.txt可以告诉百度您网站的哪些页面可以被抓取，哪些页面不可以被抓取。

HTTP

• OSI七层网络模型
  

来自科来网络通讯协议图

• 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. List item
  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
     
• HTTP协议结构图
  
• 请求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
  • 格式
    
  • 案例
    

HTTP请求

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

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。

• 常见的请求头

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

点击查看更多：CriseLYJ/Python-crawler-tutorial-starts-from-zero 或是掘金文章：关于常用的http请求头以及响应头详解

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 响应状态码

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

点击查看更多关于响应头内容：CriseLYJ/Python-crawler-tutorial-starts-from-zero 或是掘金文章：关于常用的http请求头以及响应头详解
点击查看更多关于响应状态码内容：百度百科-HTTP状态码

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，HTTP为默认80

• 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。
• HTTPS工作流程
  
• 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。

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。
更多可以查看：https和http的主要区别

个人博客：Loak 正 - 关注人工智能及互联网的个人博客
文章地址：Python爬虫（一）—爬虫的预备知识（爬虫概念、HTTP与HTTPS、请求与响应）