爬虫概念、工具和HTTP

1.什么爬虫

• 爬虫就是模拟客户端(浏览器)发送网络请求，获取响应，按照规则提取数据的程序

• 模拟客户端(浏览器)发送网络请求 : 照着浏览器发送一模一样的请求，获取和浏览器一模一样的数据

2.爬虫的数据去哪了

• 呈现出来：展示在网页上，或者是展示在app上
• 进行分析：从数据中寻找一些规律

3.需要的软件和环境

• python3

  • 黑马python基础班15天视屏：http://yun.itheima.com/course/214.html
  • 基础语法（字符串，列表，字典，判断和循环）
  • 函数（函数的创建和调用）
  • 面向对象（如何创建一个类，如何使用这个类）

• pycharm

  • python编辑器

• chrome浏览器

  • 分析网络请求用的

4.浏览器的请求

• url

  • 在chrome中点击检查，点到network，
  • url = 请求的协议+网站的域名+资源的路径+参数

• 浏览器请求url地址

  • 当前url对应的响应+js+css+图片 —》对应了elements中的内容
• 爬虫请求url地址
  • 当前url对应的响应（不会主动加载js css

• elements的内容和爬虫获取到的url地址的响应不同，爬虫中需要以当前url地址对应的响应为准提取数据

• 当前url地址对应的响应在哪里

  • 从network中找到当前的url地址，点击response
  • 在页面上右键显示网页源码
  • 以上两种不一样？（因为url会更新的很快，可能数据会变）

5.认识HTTP、HTTPS

• HTTP:超文本传输协议
  • 以明文的形式传输
  • 效率更高，但是不安全

• HTTPS:HTTP + SSL(安全套接字层)

  • 传输之前数据先加密，之后解密获取内容
  • 效率较低，但是安全

• get请求和post请求的区别

  • get请求没有请求体，post有，get请求把数据放到url地址中
  • post请求常用于登录注册，
  • post请求携带的数据量比get请求大，多，常用于传输大文本的时候

• ……

• HTTP协议之请求 request

  • 1.请求行
  • 2.请求头
    • User-Agent:用户代理：对方服务器能够通过user_agent知道当前请求对方资源的是什么浏览器
      • 如果我们需要模拟手机版的浏览器发送请求，对应的，就需要把user_agent改成手机版
      • 模拟浏览器的时候，字段可能需要更多。
    • Cookie：用来存储用户信息的，每次请求会被携带上发送给对方的浏览器
      • 要获取登录后才能访问的页面
      • 对方的服务器会通过cookie来判断是我们是一个爬虫
  • 3.请求体
    • 携带数据
    • get请求没有请求体
    • 只有post请求有请求体
• HTTP协议之响应 response
  • 1.响应头response head
    • Set-Cookie：对方该字段设置cookie到本地
  • 2.响应体
    • url地址对应的响应 (在response里)