據說學習爬蟲必須得會這些Web知識

爬蟲定義、分類和流程

爬蟲定義

網絡爬蟲（又被稱為網頁蜘蛛，網絡機器人）就是模擬瀏覽器發送網絡請求，接收請求響應，一種按照一定的規則，自動地抓取互聯網信息的程序。爬蟲就是模擬瀏覽器的行為，越像越好，越像就越不容易被發現。原則上,只要是瀏覽器(客戶端)能做的事情，爬蟲都能夠做。

爬蟲的分類

通用爬蟲：通常指搜索引擎的爬蟲

聚焦爬蟲：針對特定網站的爬蟲

爬蟲的用途

• 今日頭條
• 網易雲音樂
• 12306搶票
• 網站自動投票
• 短信轟炸
• 等等

爬蟲的流程

1. 向起始url發送請求，並獲取響應
2. 對響應進行提取
3. 如果提取url，則繼續發送請求獲取響應
4. 如果提取數據，則將數據進行保存

robots 協議

Robots 協議：網站通過 Robots 協議告訴搜索引擎哪些頁面可以抓取，哪些頁面不能抓取，但它僅僅是道德層面上的約束 例如：淘寶的 robots 協議

總結

• 爬蟲概念：模擬瀏覽器發送網絡請求，接收請求響應。只要是瀏覽器(客戶端)能做的事情，爬蟲都能夠做。
• 爬蟲的分類：聚焦爬蟲、通用爬蟲
• 爬蟲的流程：

1. 向起始 url 發送請求，並獲取響應
2. 對響應進行提取
3. 如果提取 url，則繼續發送請求獲取響應
4. 如果提取數據，則將數據進行保存

HTTP 與 HTTPS 的概念

HTTP

概念：HTTP（超文本傳輸協議）是應用層上的一種客戶端/服務端模型的通信協議,它由請求和響應構成，且是無狀態的。 協議：協議規定了通信雙方必須遵守的數據傳輸格式，這樣通信雙方按照約定的格式才能準確的通信。 無狀態：無狀態是指兩次諒解通信之間是沒有任何聯繫的，每次都是一個新的連接，服務端不會記錄前後的請求信息。

HTTP 請求流程

1. 瀏覽器通過域名解析服務器（DNS）獲取IP地址
2. 瀏覽器先向 IP 發起請求，並獲取相應
3. 在返回的響應內容（html）中，會帶有 css、js、圖片等 url 地址，以及 ajax 代碼，瀏覽器按照響應內容中的順序依次發送其他的請求，並獲取相應的響應
4. 瀏覽器每獲取一個響應就對展示出的結果進行添加（加載），js，css 等內容會修改頁面的內容，js也可以重新發送請求，獲取響應
5. 從獲取第一個響應並在瀏覽器中展示，直到最終獲取全部響應，並在展示的結果中添加內容或修改————這個過程叫做瀏覽器的渲染

五層網絡模型

HTTP協議結構圖

網絡模型對應關係

1. HTTP、RTSP、FTP -------> 應用層
2. TCP、UDP -------> 傳輸層
3. IP -------> 網絡層
4. 數據鏈路 -------> 數據鏈路層
5. 物理介質 -------> 物理層

url 地址格式

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

1. scheme：協議（例如：http, https, ftp）
2. host：服務器的 IP 地址或者域名
3. port：服務器的端口（如果是走協議默認端口，缺省端口80）
4. path：訪問資源的路徑
5. query-string：參數，發送給 http 服務器的數據
6. anchor：錨（跳轉到網頁的指定錨點位置）

HTTP 請求

請求格式

案例

• 請求方式

根據 HTTP 標準，HTTP 請求可以使用多種請求方法。HTTP1.0 定義了三種請求方法： GET, POST 和 HEAD 方法。HTTP1.1 新增了五種請求方法：OPTIONS, PUT, DELETE, TRACE 和 CONNECT 方法。

請求方式描述GET請求指定的頁面信息，並返回實體主體。HEAD類似於 get 請求，只不過返回的響應中沒有具體的內容，用於獲取報頭POST向指定資源提交數據進行處理請求（例如提交表單或者上傳文件）。數據被包含在請求體中。POST 請求可能會導致新的資源的建立和/或已有資源的修改。PUT從客戶端向服務器傳送的數據取代指定的文檔的內容DELETE請求服務器刪除指定的頁面。CONNECTHTTP/1.1 協議中預留給能夠將連接改為管道方式的代理服務器。OPTIONS允許客戶端查看服務器的性能。TRACE回顯服務器收到的請求，主要用於測試或診斷。

• 常見請求頭

請求頭作用CookieCookieUser-Agent瀏覽器名稱Referer頁面跳轉處Host主機和端口號Connection鏈接類型Upgrade-Insecure-Requests升級為 HTTPS 請求Accept傳輸文件類型Accept-Encoding文件編解碼格式x-requested-with : XMLHttpRequestajax 請求

HTTP 響應

• 響應格式

HTTP響應也由四個部分組成，分別是：狀態行、消息報頭、空行（回車符 + 換行符）和響應正文。

• 響應頭

響應頭作用Location這個頭配合 302 狀態碼使用，告訴用戶端找誰。Set-Cookie設置和頁面關聯的 CookieContent-Type服務器通過這個頭，回送數據的類型Server服務器通過這個頭，告訴瀏覽器服務器的類型Content-Length服務器通過這個頭，告訴瀏覽器回送數據的長度Connection服務器通過這個頭，響應完是保持鏈接還是關閉鏈接

• HTTP 狀態碼

當瀏覽者訪問一個網頁時，瀏覽者的瀏覽器會向網頁所在服務器發出請求。當瀏覽器接收並顯示網頁前，此網頁所在的服務器會返回一個包含 HTTP 狀態碼的信息頭（server header）用以響應瀏覽器的請求。HTTP 狀態碼的英文為 HTTP Status Code。HTTP 狀態碼由三個十進制數字組成，第一個十進制數字定義了狀態碼的類型，後兩個數字沒有分類的作用。HTTP 狀態碼共分為 5 種類型

分類分類描述1**信息，服務器收到請求，需要請求者繼續執行操作2**成功，操作被成功接收並處理3**重定向，需要進一步的操作以完成請求4**客戶端錯誤，請求包含語法錯誤或無法完成請求5**服務器錯誤，服務器在處理請求的過程中發生了錯誤

• 常見的 HTTP 狀態碼：
• 200 - 請求成功
• 301 - 資源（網頁等）被永久轉移到其它 URL
• 404 - 請求的資源（網頁等）不存在
• 500 - 內部服務器錯誤

HTTPS

1- HTTP + SSL (安全套接字層)，即帶有安全套接字層的超本文傳輸協議
2- 默認端口號：443

• HTTPS 作用

在傳輸過程中對數據進行加密，防止中間路由器、交換機等中間的路由設備對數據進行篡改。

• HTTP 與 HTTPS 優缺點

HTTP 因為不需要對數據進行加密所以性能更高，但是安全性差。HTTPS 雖然安全性高，但是因為瀏覽器和服務器端需要對數據進行加解密，所以佔用服務器資源。

• 當前形式

注意：目前 HTTPS 是未來主流，微信小程序，iOS 客戶端，android 客戶端的接口提供都需要 HTTPS 接口支持。

今天就到這裡啦，喜歡編程的小夥伴可以關注我哦！有學習方面的問題可以私信回覆：學習！