爬虫介绍

前言：该系列为爬虫基础，适合没有接触过python或刚刚起步的同学，如有错误，欢迎指出。

---

--爬虫的定义：

通过编写程序，模拟浏览器行为浏览网页，获取互联网上的数据，也称为蜘蛛，如：百度；谷歌，都是爬虫。

注意：

• 爬虫是python的一个分支或者说方向，个人自学python(爬虫)两年，从0-1，一步一步走来，明白其中的辛苦，若你没有大毅力，就不要自学了；给初学者的建议：第一语言不要学习python，(个人见解，不喜勿喷)。

--爬虫的分类：

1. 通用爬虫：获取的只是一个url(网址)下的页面数据；

2. 聚焦爬虫：根据指定的需求获取页面中指定的局部数据；

3. 增量式爬虫：用来监测网站数据更新的情况。

--概念混淆：

• 反爬机制：网站可以采用相关的技术手段或者策略阻止爬虫对网站的数据获取(代码报错)。

• 反反爬策略：让爬虫程序伪装(破解)网站限制并获得数据。

--robots协议：君子协议，里面限制了哪些可爬，哪些不可爬，但是你可以不用遵守。

• 如淘宝下的robots.txt : https://www.taobao.com/robots.txt

--爬虫流程的概括：

1. 获取网页源码 ===》urllib、requests

2. 提取所需要的业务数据 ==》BeautifulSoup、xpath、css选择器、pyquery

3. 保存数据 ===》 json、csv、txt(文件存储)等；

4. 自动化程序

--URL(统一资源定位符，俗称网址)

• URL的全称感兴趣的可以了解一下，我们主要解释一下它是做什么的，我们每天网上冲浪，百度了解一下，我们在浏览器的输入框=》www.baidu.com 这就是url。

• 如：https://github.com/favicon.ico，我们用URL来唯一指定它的访问方式，这其中包括了访问协议https、访问路径和资源名称，通过这样的链接，我们便可以从互联网上找到资源，这就是url.

--超文本(HTML)

• 你打开一个网址如：www.baidu.com;你所看见的页面正是通过html以及其他的语言渲染出来的，我们右击->查看网页源代码；或者按F12你会发现有代码出现，里面就包括HTML代码。

--HTTP/HTTPS协议介绍

• 概念：HTTP协议就是服务器端(网站的服务器)与客户端(自己的电脑)之间进行数据交互的一种方式。

• HTTP工作原理：HTTP协议工作在客户端-服务端交媾之上的；浏览器作为HTTP客户端通过URL向HTTP服务端即WEB服务器发送所有请求；Web服务器根据接收到的请求后，向客户端发送响应信息。

  1. 常见的请求头信息：

     accept:浏览器通过这个头告诉服务器，它所支持的数据类型Accept-Charset: 浏览器通过这个头告诉服务器，它支持哪种字符集
     Accept-Encoding：浏览器通过这个头告诉服务器，支持的压缩格式
     Accept-Language：浏览器通过这个头告诉服务器，它的语言环境
     Host：浏览器通过这个头告诉服务器，想访问哪台主机
     If-Modified-Since: 浏览器通过这个头告诉服务器，缓存数据的时间
     Referer：浏览器通过这个头告诉服务器，客户机是哪个页面来的 防盗链
     Connection：浏览器通过这个头告诉服务器，请求完后是断开链接还是何持链接
     X-Requested-With: XMLHttpRequest 代表通过ajax方式进行访问
     User-Agent：请求载体的身份标识

  2. 常见的响应头信息：

     Location: 服务器通过这个头，来告诉浏览器跳到哪里
     Server：服务器通过这个头，告诉浏览器服务器的型号
     Content-Encoding：服务器通过这个头，告诉浏览器，数据的压缩格式
     Content-Length: 服务器通过这个头，告诉浏览器回送数据的长度
     Content-Language: 服务器通过这个头，告诉浏览器语言环境
     Content-Type：服务器通过这个头，告诉浏览器回送数据的类型
     Refresh：服务器通过这个头，告诉浏览器定时刷新
     Content-Disposition: 服务器通过这个头，告诉浏览器以下载方式打数据
     Transfer-Encoding：服务器通过这个头，告诉浏览器数据是以分块方式回送的
     Expires: -1 控制浏览器不要缓存

• 关于怎么查看请求头信息/响应头信息，我会在后面出专门的文章来解惑。

• 关于HTTPS协议定义：HTTPS 安全超文本传输协议，HTTPS是在HTTP上建立SSL加密层，并对传输数据进行加密，是HTTP协议的安全版。

• HTTPS的加密算法算法包括（简略）：

  1. 对称密钥加密

  2. 非对称密钥加密

  3. 证书密钥加密

--cookies简单介绍介绍

• Cookie 是浏览器访问服务器后，服务器传给浏览器的一段数据；

• 浏览器需要保存这段数据，不得轻易删除；

• 此后每次浏览器访问该服务器，都必须带上这段数据，这样才能证明你就是你；

• 详情了解请自行百度，后续会介绍cookies的用法。