爬虫前奏

爬虫的实际例子

1. 搜索引擎（百度、谷歌、360搜索等）
2. 伯乐在线
3. 惠惠购物助手
4. 数据分析与研究（数据冰山知乎专栏）
5. 抢票软件等

什么是网络爬虫

通俗理解：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，并将数据爬取下来，然后使用一定的规则提取有价值的数据

通用爬虫和聚焦爬虫

**通用爬虫：**通用爬虫是搜索引擎抓取系统（百度、谷歌、搜狗等）的重要组成部分，主要是将互联网上的网页下载到本地，形成一个互联网内容的镜像备份
**聚焦爬虫：**是面向特定需求的一种网络爬虫程序，他与通用爬虫的区别在于：聚焦爬虫在实施网页抓取的时候会对内容进行筛选和处理，尽量保证只抓取与需求相关的网页信息

HTTP协议和Chrome抓包工具

什么是http和https协议

1. http：中文意思就是超文本传输协议，是一种发布和接收HTML页面的方法。服务器端口是80端口。
2. https：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

在浏览器中发送一个http请求的过程

当用户在浏览器的地址栏中输入一个URL并按回车键之后，浏览器会向http服务器发送http请求，http请求主要分成“get”和“post”两种方法

1. 当我们在浏览器输入URL：http://www.baidu.com的时候，浏览器会发送一个request请求去获取http://www.baidu.com的html文件，服务器把response文件对象发送回浏览器
2. 浏览器分析response中的html，发现其中引用很多其他的文件，比如images文件，css文件，js文件。浏览器会自动再次发送request去获取图片，css文件或者js文件
3. 当所有的文件都下载成功后，网页会根据html语法结构，完整的显示出来

url详解

URL：统一资源定位符

            
              scheme
              
                :
              
              
                //
              
              host
              
                :
              
              port
              
                /
              
              path
              
                /
              
              ?query
              
                -
              
              string
              
                =
              
              xxx
              
                #anchor
              
            
          

• scheme：代表的是访问的协议，一般为http或者https以及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/trending/now，后面的trending/now就是path
• query-string：查询字符串，比如www.baidu.com/s?wb=python，后面的wb=python就是查询字符串
• anchor：锚点，后台一般不用管，前段用来做页面定位的
  在浏览器中请求一个url，浏览器会对这个url进行一个编码。除英文字母，数据和部分符号外，其他的全部使用百分号+十六进制码值进行编码

常用的请求方法

在http协议中，定义了八种请求方法，这里介绍两种常用的请求方法，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会使用get请求
2. post请求：向服务器发送数据（登陆）、上传文件等，会对服务器资源产生影响的时候会只用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方法的请求就一定要改成post请求，这里需要视情况而定

请求头常见参数

在http协议中，向服务器发送一个请求，数据分成三部分，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），第三个是将数据放在head中。这里介绍在网络爬虫中经常会用到的一些请求参数

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，可以轻易的判断就是爬虫，因此这里需要设置这个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。如果不是从指定的页面过来的，那么就不做相应的响应
3. Cookie：http协议是无状态的，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，一般如果想要做登陆后才能访问的网站，那么就需要发送cookie信息了

常见响应状态码

            
              200：请求正常，服务器正常返回数据
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
302：临时重定向，比如在访问一个需要登陆的页面的时候，而此时没有登陆，那么就会重定向到登陆页面
400：请求的url在服务器上找不到，换句话说就是url错误
403：服务器拒绝访问，权限不够
500：服务器内部错误，可能是服务器出现bug了

            
          

chrome抓包工具

            
              chrome浏览器是一个非常接近开发者的浏览器。可以方便的查看网络请求以及发送的参数，对着网页 右键->检查，然后就可以打开开发者选项
Elements：展示当前网页是由哪些代码构成的
Console：控制台，一般在抓包中间用的并不是很多
Sources：查看一个网页由哪些文件组成的
Network：查看浏览器发起的一个具体的请求