爬虫前奏

爬虫前奏和工具使用
http协议：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：加密的HTTP协议，默认使用443端口

一、url详解
url：统一资源定位符
一个URL由以下几部分组成：
scheme：代表的是访问的协议，一般为http、https和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/thending/now,后面的thending/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，后台一般不用管，前端用来做页面定位的

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

二、常用的请求方法：
在http协议中，定义了八种请求方法，这里介绍常用的请求方法，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用get
2.post请求：向服务器发送数据、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。

请求头常见参数：
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，下面是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，可以轻易的判断这个请求是爬虫。因此要设置这个值，来伪装浏览器
2.Referer：表明当前这个请求是从哪个url过来的。这个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：用来做标识的，可以验证一个人是否已经登录。

三、常见响应状态码
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页面
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。可能是服务器出现bug了。

四、CHROME抓包工具
XHR：记录ajax中的请求
Elements：查看html构成
Console：控制台，用的一般不是很多
Sources：网站由哪些文件组成的
Network：查看发送了哪些请求。
Preserve log 不清除以前发送过的请求
disable cache 禁用缓存，每次从服务器重新加载，可以获得最新的页面