爬虫基础 2.1 http原理

爬虫基础 2.1 http基础原理

写爬虫为啥要了解http的原理？

为了简要的理解http的请求响应过程，便于爬虫的流程的掌握。

2.11 URL和URL

    URI：统一资源标志符号

    URN: 统一资源名称 命名资源

    URL：统一资源定位符号 指定资源访问位置 例如网页链接

 

    资源：指的是网络上所有可以获得的内容的统称

2.12 超文本

    网页的源代码HTML文件可以看作超文本，

超文本"页面内可以包含图片、链接，甚至音乐、程序等非文字元素

超文本是收集，存储和浏览离散信息以及建立和表现信息之间关联的一门网络技术

 

2.13 HTML 超文本标记语言

为什么要了解HTML？

HTML = 网页 爬虫爬取的大部分信息都是来自网页中的内容，因此对HTML要有掌握。

HTML 指的是超文本标记语言 (Hyper Text Markup Language)

HTML 是用来描述网页的一种语言。

HTML 不是一种编程语言，而是一种标记语言 (markup language)

标记语言是一套标记标签 (markup tag)

HTML 使用标记标签来描述网页

它通过标记符号来标记要显示的网页中的各个部分。网页文件本身是一种文本文件，通过在文本文件中添加标记符，可以告诉浏览器如何显示其中的内容（如：文字如何处理，画面如何安排，图片如何显示等）。

浏览器按顺序阅读网页文件，然后根据标记符解释和显示其标记的内容，对书写出错的标记将不指出其错误，且不停止其解释执行过程。

在这里，需要掌握HTML的结构以及各种标签的特点：

    该章节内容在网页基础中包含

 

2.14 HTTP和HTTPS

    HTTP超文本传输协议，网络上服务器通过该协议传输网页，但是网页内容为加密，不安全

    HTTPS HTTP的加强版，加密了传输过程，无法看到网页传输的明文

 

2.15 HTTP请求过程

    用户想要知道网页上的内容，需要向服务器发起请求，而这些请求是包含很多参数和设置以及规定的语法的（超文本传输协议），手工实现请求很麻烦，于是就出现了浏览器。

    浏览器处于远程服务器和我们之间，帮助我们向服务器发起请求，解析服务器返回的数据。

    浏览器发起请求以及接受响应的过程:

每一条包括一次请求和响应的过程，请求依次进行并解析响应内容，放入缓存。

每次发起的请求都包括标头，正文，参数，cokie，等内容。但并不是这些内容（请求和响应）每次都包含。

配置爬虫请求的时候多会关注标头，即请求头以及响应头。

 

请求过程：

 

 

 

 

 

 

 

请求方法：

    浏览器或者客户端构造的请求内容包括请求头和请求体

    请求头：包含请求的重要参数，爬虫的需要构造

    请求体：一般是post的表单数据，使用get方法的请求体为空。

 

    常用方法：

            Get：请求参数直接包含在URL中 请求页面，服务器并返回请求响应

            Post：请求参数包含在post的表单中，多来提交表单或者上传文件

    其他方法：

            Head：类似get请求，返回响应中只有报头

            Put： 从客户端双重数据取代指定的文档中的内容

            Delete：请求服务器删除指定的页面、

            Connect： 将服务器当作跳板，让服务器代替客户端访问其他网页

            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，用测试或者诊断链接状态

 

    请求的网址：

            即网站的链接URL

 

 

    请求头：

请求头为浏览器向 服务器发起请求构造的参数内容，主要参数 信息包括：cookie，refer，user-agent等，写爬虫的时候是需要配置这些重要的请求参数的，通过对参数的配置，来保证爬虫的长期有效，不被服务器识别封掉，因为大量的频繁的请求会占用服务器资源。

        常用的请求头包含的信息：

                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 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 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，很可能会被识别州为爬虫

Content-Type ：也叫互联网媒体类型（ Internet Media Type ）或者 MIME 类型，在 HTT 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，

示例：

        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，一般用于登录提交表单

登录网站之前，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 Cont nt-Type application, x-www-form-urlencoded 只有设置Content-Type application/x-www-form-urlencoded ，才会以表单数据的形式提 另外，我们也可以Content-Type 设置为 pplication/ison 来提交 JSON 数据，或者设置为 mu lti part/form-data 上传文件

        注意：

 

响应：

响应内容，即服务器接收到请求以后向浏览器客户端发送的响应内容，响应内容包括响应头和响应体和响应状态码。

 

响应码：

        响应码，表示服务器的响应状态。

            

        响应头：

包含了服务器的请求应答信息，我是谁，我是什么型号，我返回的信息的编码方式，我们之间保持连接方式，我返回信息的格式，我返回信息的时间，我对cookie的设置要求等，主要包括，connect-type，sever，set-cookie。。。

 

Date 标识响应产生的时间

Last-Modified 指定资源最后修改时间

Content-Encoding 指定内容的编码

Server 务器的信息 ，比如 、版本号等

Content-Type 文档类型 ，指定返回的数据类型是什么 ，

    如 tex t/ htm 代表返回 HTML 文档，

    application/x-javascript 返回 JavaScript 文件，

    image jpeg 代表返回图片

Set Cookie 设置 Cookie 应头中的 Set Cook 告诉浏览器需要将此内容放在 Co kies次请求携带 Cookies 请求

Expires：响应过期时间 可以使代理务器或浏览器将加载的内容更新到缓存中，如果再次访时，就可直接从缓存中夹载，降低服务器负载缩短载时间

        响应体：

爬虫中最重要的就是响应体的内容，大多数时候爬取的内容都是解析自响应体，响应的正文数据都来自响应体

 

请求网页：响应体是HTNL

请求图片：响应体是图片的二进制数据流

请求音乐视频：响应体是音乐视频的二进制流

 

        响应头示例：

                

 

 

        响应体内容示例：