Python爬虫 1. 基础知识

1. 爬虫主要分为：

1. 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。
2. 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。

2. http协议

HTTP协议：全称是HyperText Transfer Protocol，中文意思是超文本传输协议，是一种发布和接收HTML页面的方法。服务器端口号是80端口。 HTTPS协议：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：

1. 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请求主要分为“Get”和“Post”两种方法。
2. 当我们在浏览器输入URL http://www.baidu.com 的时候，浏览器发送一个Request请求去获取 http://www.baidu.com 的html文件，服务器把Response文件对象发送回给浏览器。
3. 浏览器分析Response中的 HTML，发现其中引用了很多其他文件，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。
4. 当所有的文件都下载成功后，网页会根据HTML语法结构，完整的显示出来了。

URL是Uniform Resource Locator的简写，统一资源定位符。 一个URL由以下几部分组成：
scheme://host:port/path/?query-string=xxx#anchor

1. scheme：代表的是访问的协议，一般为http或者https以及ftp等。
2. host：主机名，域名，比如www.baidu.com。或IP地址
3. 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。
4. path：查找路径。比如：www.jianshu.com/trending/now，后面的trending/now就是path。
5. 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。
6. 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进行一个编码。除英文字母，数字和部分符号外，其他的全部使用百分号+十六进制码值进行编码。

3. 请求

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：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：向服务器发送数据（登录）、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，这个要视情况而定。
3. 两者的区别：

• get请求中的参数包含在 URL里面，数据可以在 URL中看到，而 post请求的 URL不会包含这些数据，数据都是通过表单形式传输的，会包含在请求体中 ;
• get请求提交的数据最多只有 1024字节，而 post方式没有限制 。
• 一般来说，登录时，需要提交用户名和密码，其中包含了敏感信息，使用 GET 方式请求的话， 密码就会暴露在 URL里面，造成密码泄露，所以这里最好以 post方式发送。 上传文件时，由于文件内容比较大，也会选用 post方式。

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。这里介绍在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，可以轻易的判断你这个请求是爬虫。因此我们要经常设置这个值为一些浏览器的值，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。如果不是从指定页面过来的，那么就不做相关的响应。
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。一般如果想要做登录后才能访问的网站，那么就需要发送cookie信息了。

请求体常见参数

请求体-般承载的内容是 POST请求中的表单数据，而对于 GET请求，请求体则为空 。如: 登陆github。 登陆 github

4. 响应

响应，由服务端返回给客户端，可以分为三部分: 响应状态码( Response Status Code )、响应头( Response Headers )和响应体( Response Body )。 响应头和响应体

学习资源：
https://www.bilibili.com/video/BV1aJ411C7oM?p=13
《Python 3网络爬虫开发实战》