编写爬虫所需的HTTP相关知识


如果你要编写一个爬虫程序,那么你必须要了解与之相关的Web知识

【爬虫定义、分类和流程】

爬虫定义

    网络爬虫(又被称为网页蜘蛛,网络机器人)就是模拟浏览器发送网络请求,接收请求响应,一种按照一定的规则,自动地抓取互联网信息的程序。

    爬虫就是模拟浏览器的行为,越像越好,越像就越不容易被发现。

    原则上,只要是浏览器(客户端)能做的事情,爬虫都能够做。


爬虫的分类

    通用爬虫:通常指搜索引擎的爬虫

    聚焦爬虫:针对特定网站的爬虫


爬虫的用途

    ·    今日头条

    ·    网易云音乐

    ·    12306抢票

    ·    网站自动投票

    ·    短信轰炸

    ·    等等


爬虫的流程

image.png

    1、向起始url发送请求,并获取响应

    2、对响应进行提取

    3、如果提取url,则继续发送请求获取响应

    4、如果提取数据,则将数据进行保存


robots 协议

    Robots 协议:网站通过 Robots 协议告诉搜索引擎哪些页面可以抓取,哪些页面不能抓取,但它仅仅是道德层面上的约束 例如:淘宝的 robots 协议


总结

    ·    爬虫概念:模拟浏览器发送网络请求,接收请求响应。只要是浏览器(客户端)能做的事情,爬虫都能够做。

    ·    爬虫的分类:聚焦爬虫、通用爬虫

    ·    爬虫的流程:

        1、向起始 url 发送请求,并获取响应

        2、对响应进行提取

        3、如果提取 url,则继续发送请求获取响应

        4、如果提取数据,则将数据进行保存


【HTTP 与 HTTPS 的概念】

HTTP

    概念:HTTP(超文本传输协议)是应用层上的一种客户端/服务端模型的通信协议,它由请求和响应构成,且是无状态的。 协议:协议规定了通信双方必须遵守的数据传输格式,这样通信双方按照约定的格式才能准确的通信。 无状态:无状态是指两次谅解通信之间是没有任何联系的,每次都是一个新的连接,服务端不会记录前后的请求信息。


HTTP 请求流程

image.png

    1、浏览器通过域名解析服务器(DNS)获取IP地址

    2、浏览器先向 IP 发起请求,并获取相应

    3、在返回的响应内容(html)中,会带有 css、js、图片等 url 地址,以及 ajax 代码,浏览器按照响应内容中的顺序依次发送其他的请求,并获取相应的响应

    5、浏览器每获取一个响应就对展示出的结果进行添加(加载),js,css 等内容会修改页面的内容,js也可以重新发送请求,获取响应

    5、从获取第一个响应并在浏览器中展示,直到最终获取全部响应,并在展示的结果中添加内容或修改————这个过程叫做浏览器的渲染


五层网络模型

image.png

HTTP协议结构图

image.png


网络模型对应关系

    1、HTTP、RTSP、FTP -------> 应用层

    2、TCP、UDP -------> 传输层

    3、IP -------> 网络层

    4、数据链路 -------> 数据链路层

    5、物理介质 -------> 物理层


url 地址格式

image.png

格式说明: scheme://host[:port]/path/…/[?query-string][#anchor]

    1、scheme:协议(例如:http, https, ftp)

    2、host:服务器的 IP 地址或者域名

    3、port:服务器的端口(如果是走协议默认端口,缺省端口80)

    4、path:访问资源的路径

    5、query-string:参数,发送给 http 服务器的数据

    6、anchor:锚(跳转到网页的指定锚点位置)


HTTP 请求

    请求格式

image.png

例:

image.png    ·    请求方式

    根据 HTTP 标准,HTTP 请求可以使用多种请求方法。

    HTTP1.0 定义了三种请求方法: GET, POST 和 HEAD 方法。

    HTTP1.1 新增了五种请求方法:OPTIONS, PUT, DELETE, TRACE 和 CONNECT 方法。

请求方式 描述
GET 请求指定的页面信息,并返回实体主体。
HEAD 类似于 get 请求,只不过返回的响应中没有具体的内容,用于获取报头
POST 向指定资源提交数据进行处理请求(例如提交表单或者上传文件)。数据被包含在请求体中。POST 请求可能会导致新的资源的建立和/或已有资源的修改。
PUT 从客户端向服务器传送的数据取代指定的文档的内容
DELETE 请求服务器删除指定的页面。
CONNECT HTTP/1.1 协议中预留给能够将连接改为管道方式的代理服务器。
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,主要用于测试或诊断

    ·    常见请求头

请求头 作用
Cookie Cookie
User-Agent 浏览器名称
Referer 页面跳转处
Host 主机和端口号
Connection 链接类型
Upgrade-Insecure-Requests 升级为 HTTPS 请求
Accept 传输文件类型
Accept-Encoding 文件编解码格式
x-requested-with : XMLHttpRequest ajax 请求



HTTP 响应

    ·    响应格式

    HTTP响应也由四个部分组成,分别是:状态行、消息报头、空行(回车符 + 换行符)和响应正文。

image.png

    ·    响应头

响应头 作用
Location 这个头配合 302 状态码使用,告诉用户端找谁。
Set-Cookie 设置和页面关联的 Cookie
Content-Type 服务器通过这个头,回送数据的类型
Server 服务器通过这个头,告诉浏览器服务器的类型
Content-Length 服务器通过这个头,告诉浏览器回送数据的长度
Connection 服务器通过这个头,响应完是保持链接还是关闭链接


    ·    HTTP 状态码

    当浏览者访问一个网页时,浏览者的浏览器会向网页所在服务器发出请求。当浏览器接收并显示网页前,此网页所在的服务器会返回一个包含 HTTP 状态码的信息头(server header)用以响应浏览器的请求。

        HTTP 状态码的英文为 HTTP Status Code。

        HTTP 状态码由三个十进制数字组成,第一个十进制数字定义了状态码的类型,后两个数字没有分类的作用。HTTP 状态码共分为 5 种类型

分类 分类描述
1**
信息,服务器收到请求,需要请求者继续执行操作
2** 成功,操作被成功接收并处理
3** 重定向,需要进一步的操作以完成请求
4** 客户端错误,请求包含语法错误或无法完成请求
5** 服务器错误,服务器在处理请求的过程中发生了错误

    ·    常见的 HTTP 状态码:

    ·    200 - 请求成功

    ·    301 - 资源(网页等)被永久转移到其它 URL

    ·    404 - 请求的资源(网页等)不存在

    ·    500 - 内部服务器错误


HTTPS

    - HTTP + SSL (安全套接字层),即带有安全套接字层的超本文传输协议

    - 默认端口号:443


    ·    HTTPS 作用

    在传输过程中对数据进行加密,防止中间路由器、交换机等中间的路由设备对数据进行篡改。


    ·    HTTP 与 HTTPS 优缺点

    HTTP 因为不需要对数据进行加密所以性能更高,但是安全性差。

    HTTPS 虽然安全性高,但是因为浏览器和服务器端需要对数据进行加解密,所以占用服务器资源。

    ·    当前形式

    注意:目前 HTTPS 是未来主流,微信小程序,iOS 客户端,android 客户端的接口提供都需要 HTTPS 接口支持


上一篇 下一篇

评论

登录后可发表评论