标签:浏览器 请求 Python URL 爬虫 响应 怎么样 http
本次专辑我打算出【Python爬虫】,从0到1带大家入门爬虫到精通爬虫,接下来会有更加精彩的内容。关注我,跟着我一起来学习爬虫吧!
目录
Python爬虫入门:什么是爬虫?
看到上面的那只蜘蛛没?别误会,今天要教你如何玩上面的蜘蛛。我们正式从0到1轻松学会Python爬虫…
爬虫特点概要
- 知识碎片化
爬虫方向的知识是十分碎片化的,因为我们写爬虫的时候会面对各种各样的网站,每个网站实现的技术都是相似的,但是大多数时候还是有差别的,这就要求我们对不同的网站使用不同的技术手段。爬虫并不像在学习web的时候要实现某一功能只要按照一定的套路就能做出来。
- 学习难度
爬虫的入门相对而言还是要比web简单,但是在后期,爬虫的难度要大于web。难点在于爬虫工程师与运维人员进行对抗,可能你写一个网站的爬虫,结果该网站的运维人员加了反爬的措施,那么作为爬虫工程师就要解决这个反爬。
- 学习特点
学习爬虫并不像学习web,学习web有一个完整的项目可以练手,因为爬虫的特点,也导致学习爬虫是以某网站为对象的,可以理解为一个技术点一个案例。
爬虫的概念
模拟浏览器,发送请求,获取响应
网络爬虫(又被称为网页蜘蛛、网页机器人)就是模拟客户端(主要是指浏览器)发送请求,接收请求响应,按照一定规则、自动抓取互联网信息的程序。
- 原则上,只要是浏览器能做的事情,爬虫都能做
- 爬虫也只能获取浏览器所展示出来的数据
在浏览器中输入百度网址,打开开发者工具,点击network,点击刷新,即可进行抓包。
了解爬虫概念
爬虫的作用
爬虫在互联网中的作用
- 数据采集
- 软件测试
- 12306抢票
- 网站投票
- 网络安全
爬虫的分类
根据被爬网闸的数量不同,可以分为:
- 通用爬虫,如搜索引擎
- 聚焦爬虫,如12306抢票,或者专门抓取某一网站的某一类数据
根据是否以获取数据为目的,可以分为:
- 功能性爬虫,给你喜欢的明星,投票点赞
- 数据增量式爬虫,比如招聘信息
根据URL地址和对应页面内容是否改变,数据增量爬虫可以分为:
- 基于URL地址变化,内容变化的增量式爬虫
- URL地址不变,内容变化的数据增量式爬虫
了解爬虫分类
爬虫流程
1、获取一个URL
2、向URL发送请求,并获取响应(http协议)
3、如果从响应中提取URL,则继续发送请求获取响应
4、如果从响应中获取数据,则数据进行保存
掌握爬虫流程
http以及https的概念和区别
在爬虫流程的第二步,向URL发送请求,那么就要依赖于HTTP/HTTPS协议。
HTTPS比HTTP更安全,但是性能更低
-
HTTP:超文本传输协议,默认端口为80
。超文本:是指超过文本,不限于文本,可以传输图片、视频、音频等数据
。传输协议:是指使用公共约定的固定格式来传递转换成字符串的超文本内容
-
HTTPS:HTTP+SSL(安全套接字),即带有安全套接字层的超文本传输协议,默认端口443
。SSL对传输内容(超文本,也就是请求头和响应体)进行加密
-
可以打开一个浏览器访问URL,右键检查,点击network,选择一个URL,查看HTTP协议的形式。
掌握http及https的概念和默认端口
爬虫特别注意的请求头
http请求形式如上图所示,爬虫要特别关注以下几个请求头字段
- Content-Type
- Host
- Connection
- Upgrade-Insecure-Requests(升级为https请求)
- User-Agent(用户代理)
- Referer
- Cookie(保持用户状态)
- Authorization(认证信息)
例如,使用浏览器访问百度进行抓包
当我点击view source的时候,就会出现另外一种格式的请求头,这个是原始的版本,如果没有点击view source的请求头格式是经过浏览器优化的。
爬虫特别注意的响应头
- set-cookie
cookie是基于服务端生成的,在客户端头信息中,在第一次把请求发送到服务端,服务端生成cookie,存放到客户端,下次发送请求时会带上cookie。
常见的响应状态码
- 200:成功
- 302:跳转,新的URL在响应中的Location头中给出
- 303:浏览器对于post响应进行重定向至新的URL
- 307:浏览器对于get响应进行重定向至新的URL
- 403:资源不可用,服务器理解客户端的请求,但拒绝处理它(没有权限)
- 404:找不到页面
- 500:服务器内部错误
- 503:服务器由于维护或者负载过重未能应答。在响应中可能会携带Retry-After响应头,有可能是因为爬虫频繁访问URL,使服务器忽视爬虫的请求,最终返回503状态码
所有的状态码都不可信,一切要以抓包得到的响应中获取的数据为准
network中抓包得到的源码才是判断依据。element中的源码是渲染之后的源码,不能作为判断标准。
了解常见的响应状态码
http请求的过程
1、浏览器在拿到域名对应的IP之后,先向地址栏中的URL发起请求,并获取响应。
2、在返回响应内容(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请求,并获取响应。
3、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等内容会修改页面内容,JS也可以重新发送请求,获取响应。
4、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,并在展示结果中添加内容或修改,这个过程叫做浏览器的渲染。
注意
在爬虫中,爬虫只会请求URL地址,对应的拿到URL地址对应的响应(该响应可以是HTML、CSS 、JS或是是图片、视频等等)。
浏览器渲染出来的页面和爬虫请求抓取的页面很多时候是不一样的,原因是爬虫不具有渲染功能。
- 浏览器最终展示的结果是由多次请求响应共同渲染的结果
- 爬虫只对一个URL地址发起请求并得到响应
理解浏览器展示的结果可以是多次请求响应共同渲染的结果,而爬虫是一次请求对应一个响应。
最后
啃书君说:
没有什么事情是可以一蹴而就的,生活如此,学习亦是如此!
因此,哪里有什么三天速成,七天速成。唯有坚持,方能成功!
路漫漫其修远兮,吾将上下而求索!
我是啃书君,一个专注于学习的人,你懂的越多,你不懂的越多。
更多精彩内容欢迎关注公众号【了不起的Python程序员】!
标签:浏览器,请求,Python,URL,爬虫,响应,怎么样,http 来源: https://blog.csdn.net/weixin_47248700/article/details/113794500
本站声明: 1. iCode9 技术分享网(下文简称本站)提供的所有内容,仅供技术学习、探讨和分享; 2. 关于本站的所有留言、评论、转载及引用,纯属内容发起人的个人观点,与本站观点和立场无关; 3. 关于本站的所有言论和文字,纯属内容发起人的个人观点,与本站观点和立场无关; 4. 本站文章均是网友提供,不完全保证技术分享内容的完整性、准确性、时效性、风险性和版权归属;如您发现该文章侵犯了您的权益,可联系我们第一时间进行删除; 5. 本站为非盈利性的个人网站,所有内容不会用来进行牟利,也不会利用任何形式的广告来间接获益,纯粹是为了广大技术爱好者提供技术内容和技术思想的分享性交流网站。