Python爬虫学习:一些关于爬虫的知识的充电

什么是Http和Https

  • 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页面的方法。默认的端口号是80
  • 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

在浏览器中发送一个Http请求的过程

  1.  当用户在浏览器的地址栏输入一个url并点下确定键时,浏览器会向web服务器发送HTTP请求,HTTP请求主要有GET和POST两种方法
  2. 发送过request请求后,服务器会返回一个response文件对象给浏览器
  3. 浏览器分析response中的HTML,如果其中引入了其他的一些文件(css文件,js文件,等等)浏览器会自动再次发送request请求去获取这些文件
  4. 当所有的文件都下载下来以后,网页会根据html的语法,在页面上完整的显示出来

URL的一些讲解

 URL:(Uniform Resource Locator的缩写),统一资源定位符。一个url的组成:

scheme://host:port/path/?key=value

 

  • scheme:代表访问协议,一般为http或者https以及ftp等等
  • host:主机名,域名
  • port:端口号,当你访问一个网站的时候,默认的就是80端口
  • path:查找的路径
  • key=value:get请求的参数

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

常用的请求方式

在Http协议中定义了八种请求方式,这里介绍两种最常用的

  • 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影响的时候我们用GET,GET请求的参数在url后面使用?隔开,参数之间用&隔开
  • post请求:向服务器发送数据(登录)、上传文件等,会对服务其的资源产生影响的时候使用POST请求,请求的数据在请求体当中。

请求头中的常见的参数

在http协议中,向服务器发送一个请求,数据分为三个部分,把数据放在url中(get请求)、把数据放在body请求体当中(post请求)、把数据放在head中。

  • User-Agent:浏览器的标识。如果我们不填写的话,默认的爬虫的User-Agent就是Python,浏览器可以轻易知道你是一个爬虫,所以建议每次都带上User-Agent
  • Referer:表明当前这个请求是从哪一个url过来的。这个一般也可以做成反扒的,如果不是指定的url跳转过来的就返回一个假数据
  • Cookie:http协议是无状态协议,也就是说,同一个人发送来个请求,服务器是无法分辨是一个人发送的还是两个人发送的,因此就有了cookie作为一个标识,标识是我,我们做登录的时候必须用到Cookie

常见的一些状态码

  • 200:请求正常,也就是成功
  • 301:永久重定向,也就是说服务器指定的跳转页面、
  • 302:临时重定向,eg:有些页面必须登录才能访问,而你没有登录,就会跳转到登录的页面
  • 400:找不到
  • 403:服务器拒绝访问,权限不够,在Django中,Post请求的时候,总会有一个csrf_token 的东西,如果没有的,而服务器有开启的csrf的中间件,呵,妥妥的403 
  • 500:服务器的内部错误,也就是服务器出BUG了

 

posted @ 2018-07-21 23:43  "%201  阅读(210)  评论(0编辑  收藏  举报