Python 爬虫-介绍

什么是爬虫：

爬虫是一个模拟人类请求网站行为的程序。可以自动请求网页、并把数据抓取下来，然后使用一定的规则提取有价值的数据。

Http协议：

Http协议介绍：

1. Http协议：全称是HyperText Transfer Protocol，中文意思是超文本传输协议，是一种发布和接收HTML（HyperText Markup Language）页面的方法。服务器端口号是80端口。用于从网络传输超文本数据到本地浏览器的传送协议，它能保证高效准确地传送超文本文档。 2. HTTPS协议：是HTTP协议的加密版本，在HTTP下加入了SSL层。服务器端口号是443端口。3.超文本：我们在浏览器看到的网页就是超文本解析而成的，其网页源代码就是一系列HTML代码，里面包含一系列标签，比如img显示图片，p显示段落。浏览器解析这些标签，便形成了平时看到的网页，即网页的源代码HTML就可以称作超文本。4.Http传输过程：浏览器向网站所在的服务器发送了一个请求，网站服务器接收，进行处理和解析，然后返回对应的响应，接着传回给浏览器。响应里包含页面的源代码等内容，浏览器再对其解析，便将网页呈现出来。
   
   上面的一个个条目代表发送请求和接收响应的过程。
   Name：请求的名称，一般会将URL的最后一部分内容当作名称。
   Status：响应的状态码，这里是200，代表响应正常。
   Type：请求文档的类型。这里是document，代表这次请求的是一个HTML文档，内容是一些HTML码。
   Initiator：请求源。用来标记请求是由哪个对象或进程发起的。
   Size：从服务器下载的文件和请求的资源大小。
   Time：发送请求到获取响应所用的总时间。
   Waterfall：网络请求的可视化瀑布流。
   
   General部分：Request URL为请求的URL，Request Method为请求的方法，Status为响应状态码。Remote Address为远程服务器的地址和端口，Referrer Policy为Referrer判别策略。
   Response Header和Request Header分别为响应头和请求头。请求头里带有许多请求信息，例如浏览器标识、Cookies、Host等信息。服务器会根据请求头内的信息判断请求是否合法。进而做出对应的响应。响应头包含服务器类型、文档类型、日期等信息，浏览器接收到响应会解析响应内容，呈现网页。

URL详解：

URL是Uniform Resource Locator的简写，统一资源定位符。 一个URL由以下几部分组成：
scheme://host:port/path/?query-string=xxx#anchor
scheme：代表的是访问的协议，一般为http或者https以及ftp等。
host：主机名，域名，比如www.baidu.com。
port：端口号。当你访问一个网站的时候，浏览器默认使用80端口。
path：查找路径。比如：www.jianshu.com/trending/now，后面的trending/now就是path。
query-string：查询字符串，比如：www.baidu.com/s?wd=python，后面的wd=python就是查询字符串。
anchor：锚点，前端用来做页面定位的。现在一些前后端分离项目，也用锚点来做导航。

在浏览器中请求一个url，浏览器会对这个url进行一个编码。除英文字母，数字和部分符号外，其他的全部使用百分号+十六进制码值进行编码。

常见的请求Method：

在Http协议中，定义了八种请求方法。这里介绍两种常用的请求方法，分别是get请求和post请求。

1. get请求：一般情况下，只从服务器获取数据下来，并不会对服务器资源产生任何影响的时候会使用get请求。
2. post请求：向服务器发送数据（登录）、上传文件等，会对服务器资源产生影响的时候会使用post请求。 以上是在网站开发中常用的两种方法。并且一般情况下都会遵循使用的原则。但是有的网站和服务器为了做反爬虫机制，也经常会不按常理出牌，有可能一个应该使用get方法的请求就一定要改成post请求，这个要视情况而定。

常见的请求头参数：

在http协议中，向服务器发送一个请求，数据分为三部分，第一个是把数据放在url中，第二个是把数据放在body中（在post请求中），第三个就是把数据放在head中。这里介绍在网络爬虫中经常会用到的一些请求头参数：

User-Agent：浏览器名称。这个在网络爬虫中经常会被使用到。请求一个网页的时候，服务器通过这个参数就可以知道这个请求是由哪种浏览器发送的。如果我们是通过爬虫发送请求，那么我们的User-Agent就是Python，这对于那些有反爬虫机制的网站来说，可以轻易的判断你这个请求是爬虫。因此我们要经常设置这个值为一些浏览器的值，来伪装我们的爬虫。
Referer：表明当前这个请求是从哪个url过来的。这个一般也可以用来做反爬虫技术。如果不是从指定页面过来的，那么就不做相关的响应。
Cookie：http协议是无状态的。也就是同一个人发送了两次请求，服务器没有能力知道这两个请求是否来自同一个人。因此这时候就用cookie来做标识。一般如果想要做登录后才能访问的网站，那么就需要发送cookie信息了。

常见的响应状态码：

200：请求正常，服务器正常的返回数据。
301：永久重定向。比如在访问www.jingdong.com的时候会重定向到www.jd.com。
302：临时重定向。比如在访问一个需要登录的页面的时候，而此时没有登录，那么就会重定向到登录页面。
400：请求的url在服务器上找不到。换句话说就是请求url错误。
403：服务器拒绝访问，权限不够。
500：服务器内部错误。可能是服务器出现bug了。

Chrome抓包工具：

Elements：

可以帮助我们分析网页结构，获取我们想要的数据。但是Elements下是最终呈现的网页数据，有时候网页数据是通过ajax请求得到的，因此Elements下的数据不能完全相信。

Console：

用来打印网页的一些信息。

Sources：

整个网页所加载的所有文件。

Network：

查看整个网页发送的所有网络请求。一般我们想要去查看某个请求的信息，都可以到这个里面去看。

Python 爬虫-介绍

原文：https://www.cnblogs.com/zzdshidashuaige/p/14584168.html