01-爬虫基础

什么是网络爬虫：

通俗的理解，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

为什么要用python写爬虫：

语法优美、代码简洁、开发效率高、支持的模块多。相关的HTTP请求模块和HTML解析模块非常丰富。 还有Scrapy和Scarpy-redis框架让我们开发爬虫变得异常简单

HTTP协议与HTTPS协议：

HTTP协议介绍：超文本传输协议，是一种发布和接收HTML页面的方法。服务器端口是80端口。

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

URL详解 URL是统一资源定位符，由一下部分组成
scheme://host:port/path/?query-string=xxx#achor
1.scheme:代表的是访问的协议，一般分为http或者https以及ftp等
2.host:主机名，域名，比如www.baidu.com的baidu.com就是域名
3.port:端口号。当你访问一个网站的时候，游览器默认使用80端口
4.path:查找路径。比如www.jianshu.com/trending/now ，后面的trending/now就是path
5.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
6.anchor:锚点，前端用于页面定位。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,游览器会对这个url进行一个编码。除英文字母，数字，部分符号外，其它的全部使用百分号+十六进制码值进行编码

例如：https://www.jianshu.com/mobile/books?category_id=284
scheme协议:https   host域名:jianshu.com  path路径:mobile/books  query-string查询字符串:category_id=284

 

常见的请求Method
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。这里介绍在啊网络爬虫中经常会用到的一些请求头参数：
1.User-Agent:浏览器名称。这个是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dui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时爬虫。因此我们要经常设置这个值位一些游览器的值，来伪装我们的爬虫
2.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。
3.Cookie:http协议时无状态的。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

 

常见的响应状态码
1.200:请求正常，服务器正常的返回数据
2.301:永久重定向。比如在访问www.jingdong.com 的时候会重定向到www.jd.com
3.302: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界面。
4.400:请求的url在服务器上找不到。换句话说就是请求url错误。
5.403:服务器拒绝访问，权限不够。
6.500:服务器内部错误。可能时服务器出现bug

 

chrome抓包工具
1.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，有时候网页数据是可以通过ajax请求得到的，因此Elements下的数据不能完全相信。
2.Console:用来打印网页的一些信息。
3.Sources:整个网页所加载的所有文件。
4.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