在学习Python之前，我是学习SEO的，SEO就是搜索引擎优化，要做的工作呢，就是要了解搜索引擎背后的爬虫，了解爬虫的算法，提高搜索引擎中的自然排名。
在接触了Python之后，我决定自己去学习一下爬虫的写法，做一只属于自己的“蜘蛛”。
网络爬虫的基本知识
- 1 学爬虫前必须掌握的HTTP基本原理
- 1.1 了解URI和URL
- 1.2 URI和URL之间的关系
- 1.3 超文本
- 1.4 HTTP和HTTPS
- 1.4.1 HTTP
- 1.4.2 HTTPS
- 1.4.3 HTTP请求过程
- 1.4.4 请求
- 1.4.5 响应
- 2 web网页基础
- 2.1 HTML
- 2.2 CSS
- 2.3 JavaScript
- 2.4 网页的结构
- 2.5 节点树及节点间的关系
- 2.6 选择器
1 学爬虫前必须掌握的HTTP基本原理
1.1 了解URI和URL
- URI （Uniform Resource Identifier）即 统一资源标志符
- URL （Universal Resource Locator）即 统一资源定位符
例如：https://img-blog.csdnimg/img_convert/68fbe670718d21ea7b90a2f77d6461cd.png
既是一个URL，也是一个URI。
我们来拆分一下这网址：
https 是访问协议
img-blog.csdnimg/img_convert 是访问路径（即根目录）
68fbe670718d21ea7b90a2f77d6461cd.png 是资源名称
这是一个图片资源，用URL/URI来唯一指定了它的访问方式
1.2 URI和URL之间的关系
URL是URI的一个子集
也就是说每个URL都是URI，但不是每个URI都是URL。
什么样的URI不是URL呢？
URI还包括一个子类叫作URN（Universal Resource Name）即统一资源名称
URN 只命名资源而不指定如何定位资源
比如：
urn:isbn:0451450523 指定了一本书的ISBN，可以唯一标识这本书，但是没有指定到哪里定位这本书
URL、URN、URI的关系图：
1.3 超文本
超文本 （Hypertex）
浏览器里看到的网页就是超文本解析而成的，其网页源代码是一系列HTML代码，里面包含了一系列标签。
比如：
- img 显示图片
- p 指定显示段落等
浏览器解析这些标签后，便形成了我们平常看到的网页，而网页的源代码 HTML 就可以称作为超文本
例如，我们打开淘宝网，按F12就可以看到淘宝网的源代码，而这些源代码就是超文本：
1.4 HTTP和HTTPS
https://www.taobao/ 中，URL的开头会有http或https，这个就是访问资源需要的协议类型。
有时还会看到 ftp、sftp、smb 开头的 URL。
ftp、sftp、smb 都是指的协议类型。
1.4.1 HTTP
HTTP （Hyper Text Transfer Proto）中文名叫作超文本传输协议
用于从网络传输超文本数据到本地浏览器的传送协议，能保证高效而准确地传送超文本文档。
由万维网协会（World Wide Web Consor） 和Internet 工作小组 IETF（Internet Engineering Task Force）共同合作制定的规范。
目前广泛使用的是 HTTP 1.1 版本。
1.4.2 HTTPS
HTTPS （Hyper Text Transfer Protocol over Secure Socket Layer）
是以安全为目标的 HTTP 通道，简单讲师 HTTP 的安全版，即 HTTP 下加入 SSL 层，简称为 HTTPS。
安全基础是 SSL ，因此通过它传输的内容都是经过 SSL 加密。
主要作用可以分为两种：
- 建立一个信息安全通道，来保证数据传输的安全
- 确认网站的真实性，凡是使用了 HTTPS 的网站，都可以通过点击浏览器地址栏的锁头标志来查看网站认证之后的真实信息，也可以通过 CA 机构颁布的安全签章来查询
越来越多的网站和 APP 都已向 HTTPS 方向发展
例如： - 苹果公司强制所有 iOS App 在 2017 年 1 月 1 日 前全部改为使用 HTTPS 加密，否则 App 就无法在应用商店上架
- 谷歌从 2017 年 1 月推出的 Chrome 56 开始，对未进行 HTTPS 加密的网址链接亮出风险提示，即在地址栏的显著位置题型用户“此网页不安全”
- 腾讯微信小程序的官方需求文档要求后台使用 HTTPS 请求进行网络通信，不满足条件的域名和协议无法请求
HTTPS 已经是大势所趋
1.4.3 HTTP请求过程
在浏览器中输入一个 URL，回车之后便可以在浏览器中观察到页面内容，这个过程是浏览器想网站所在的服务器发送了一个请求。网站服务器接收到这个请求后进行处理和解析，然后返回对应的响应，接着传回给浏览器。
实际操作一下：
打开 Chrome 浏览器，右击并选择“检查”项即可打开浏览器的开发者工具，这里访问百度
输入 https://www.baidu 回车，观察右边，在这一过程中发生了什么样的网络请求。
在 network 下方出现了一个一个的条目，其中一个条目就代表了一次发送请求和接受响应的过程。
我们先观察第一个网络请求，即 www.baidu ，其中各列的含义如下：
- 第一列：name 请求的名称，一般会将 URL 的最后一部分内容当作名称
- 第二列：status 响应的状态码，如果显示是200，就代表响应是正常的，通过状态码我们可以判断发送了请求之后，是否得到了正常的响应。
- 第三列： type 请求的文档类型，这里为 document ，代表我们这次的请求是一个 html 文档，内容就是一些 HTML 代码。
- 第四列：initiator 请求源，用来标记请求使用哪个对象或进程发起的
- 第五列：size 从服务器下载的文件和请求的资源大小，如果是从缓存中取得的资源，那么该列会显示为 from cache
- 第六列：time 发起请求到获取响应所用的总时间
- 第七列：waterfall 网络请求的可视化瀑布流
我们点击条目名称，就可以出现更详细的信息，如下图：
我们先来看 General 部分：
- Request URL 为请求的URL
- Request Method 为请求的方法
- Remote Address 为远程服务器的地址和端口
- Status Code 为响应状态码
- Referrer Policy 为 Referrer 判别策略
接着往下：
Response Headers 为响应头
Request headers 为请求头
1.4.4 请求
请求由客户端向服务器发出，可以分为四部分内容：
- 请求方法 Request Method
- 请求网址 Request URL
- 请求头 Request headers
- 请求体 Request body
1、请求方法
常见的有∶ GET和 POST
- GET
在浏览器中直接输入 URL并回车，便发起了一个 GET请求，请求的参数会直接包含到 URL里
例如∶
在百度中搜索 Python，这就是一个GET请求，链接为 https://www.baidu/s?ie=utf-8&f=3&rsv_bp=1&rsv_idx=1&tn=baidu&wd=python&fenlei=256&rsv_pq=858a97a9000a5253&rsv_t=35a5wAIeG42USXN6eUOVz93PDNRjTv%2Fo22ASZ2RzcOmnVyNM1bfMB5ZhyNk&rqlang=cn&rsv_enter=1&rsv_dl=ts_1&rsv_sug3=5&rsv_sug1=5&rsv_sug7=101&rsv_sug2=0&rsv_btype=i&prefixsug=py&rsp=1&inputT=4626&rsv_sug4=6794
URL 中包含了请求的参数信息，这里参数 wd 表示要搜寻的关键字
- P0ST
P0ST请求大多在表单提交时发起
例如∶对于一个登录表单，输入用户名和密码后，点击"登录" 按钮这通常会发起—个 POST请求其数据通常以表单的形式传输，而不会体现在 URL 中
GET和 POST请求方法有如下区别：
- 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请求没有限制
其他的请求方法：
| 方法 | 描述 |
|---|---|
| GET | 请求页面，并返回页面内容 |
| 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 | 大多用于提交表单或上传文件，数据包含在请求体中 |
| PUT | 从客户端向服务器传送的数据取代指定文档中的内容 |
| DELETE | 请求服务器删除指定的页面 |
| CONNECT | 把服务器当作跳板，让服务器代替客户端访问其他网页 |
| 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 |
2、请求的网址
即统一资源定位符 URL，可以唯一确定我们想请求的资源
3、请求头
用来说明服务器要使用的附加信息，比较重要的信息有 Cookie、Referer、User-Agent
常用的请求头信息：
- Accept∶ 请求报头域，用于指定客户端可接受哪些类型的信息
- Accept-Language∶ 指定客户端可接受的语言类型
- Accept-Encoding∶指定客户端可接受的内容编码
- Host∶ 用于指定请求资源的主机 IP 和端口号，其内容为请求 URL 的原始服务器或网关的位置
从 HTTP 1.1 版本开始，请求必须包含此内容 - Cookie∶ 也常用复数形式 Cookies，这是网站为了辨别用户进行会话跟踪而存储在用户本地的数据
它的主要功能是维持当前访问会话。例如，我们输入用户名和密码成功登录某个网站后，服务器会用会话保存登录状态信息，后面我们每次刷新或请求该站点的其他页面时，会发现都是登录状态，这就是 Cookies 的功劳
Cookies 里有信息标识了我们所对应的服务器的会话，每次浏览器在请求该站点的页面时，都会在请求头中加上 Cookies 并将其发送给服务器，服务器通过 Cookies 识别出是我们自己，并且查出当前状态是登录状态，所以返回结果就是登录之后才能看到的网页内容 - Referer∶此内容用来标识这个请求是从哪个页面发过来的，服务器可以拿到这一信息并做相应的处理
如做来源统计、防盗链处理等 - User-Agent∶ 简称 UA，它是一个特殊的字符串头，可以使服务器识别客户使用的操作系统及版本、浏览器及版本等信息。在做爬虫时加上此信息，可以伪装为浏览器;如果不加，很可能会被识别出为爬虫 Content-Type∶ 也叫互联网媒体类型（Internet Media Type）或者 MIME 类型，在 HTTP 协议消息头中，它用来表示具体请求中的媒体类型信息。例如，text/html 代表 HTML 格式，image/gif 代表 GIF图片，application/json 代表 JSON 类型，更多对应关系可以查看此对照表∶ http://tool.oschina/commons
4、请求体
请求体一般承载的内容是 POST 请求中的表单数据，而对于 GET 请求，请求体则为空。
请求体内的一些内容：
- Content-Type 提交数据的方式
- application/x-www-form-urlencoded 表单数据
- multipart/form-data 表单文件上传
- application/json 序列化 JSON 数据
- text/xml XML数据
1.4.5 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
- 响应体 Response Body
1、响应状态码
响应状态码表示服务器的响应状态：
| 状态码 | 说明 | 详情 |
|---|---|---|
| 100 | 继续 | 请求者应当继续提出请求；服务器已收到请求的一部分，正在等待其余部分 |
| 101 | 切换协议 | 请求者已要求服务器切换协议，服务器已确认并准备切换 |
| 200 | 成功 | 服务器已成功处理了请求 |
| 201 | 已创建 | 请求成功并且服务器创建了新的资源 |
| 202 | 已接受 | 服务器已接受请求，但尚未处理 |
| 203 | 非授权信息 | 服务器已成功处理了请求，但返回的信息可能来自另一个源 |
| 204 | 无内容 | 服务器成功处理了请求，但没有返回任何内容 |
| 205 | 重置内容 | 服务器成功处理了请求，内容被重置 |
| 206 | 部分内容 | 服务器成功处理了部分请求 |
| 300 | 多种选择 | 针对请求，服务器可执行多种操作 |
| 301 | 永久移动 | 请求的网页已永久移动到新位置，即永久重定向 |
| 302 | 临时移动 | 请求的网页暂时跳转到其他页面，即暂时重定向 |
| 303 | 查看其他位置 | 如果原来的请求是 POST，重定向目标文档应该通过 GET提取 |
| 304 | 未修改 | 此次请求返回的网页未修改，继续使用上次的资源 |
| 305 | 使用代理 | 请求者应该使用代理访问该网页 |
| 307 | 临时重定向 | 请求的资源临时从其他位置响应 |
| 400 | 错误请求 | 服务器无法解析该请求 |
| 401 | 未授权 | 请求没有进行身份验证或验证未通过 |
| 403 | 禁止访问 | 服务器拒绝此请求 |
| 404 | 未找到 | 服务器找不到请求的网页 |
| 405 | 方法禁用 | 服务器禁用了请求中指定的方法 |
| 406 | 不接受 | 无法使用请求的内容响应请求的网页 |
| 407 | 需要代理授权 | 请求者需要使用代理授权 |
| 408 | 请求超时 | 服务器请求超时 |
| 409 | 冲突 | 服务器在完成请求时发生冲突 |
| 410 | 已删除 | 请求的资源已永久删除 |
| 411 | 需要有效长度 | 服务器不接受不含有效内容长度标头字段的请求 |
| 412 | 未满足前提条件 | 服务器未满足请求者在请求中设置的其中一个前提条件 |
| 413 | 请求实体过大 | 请求实体过大，超出服务器的处理能力 |
| 414 | 请求 URl 过长 | 请求网址过长，服务器无法处理 |
| 415 | 不支持类型 | 请求格式不被请求页面支持 |
| 416 | 请求范围不符 | 页面无法提供请求的范围 |
| 417 | 未满足期望值 | 服务器未满足期望请求标头字段的要求 |
| 500 | 服务器内部错误 | 服务器遇到错误，无法完成请求 |
| 501 | 未实现 | 服务器不具备完成请求的功能 |
| 502 | 错误网关 | 服务器作为网关或代理，从上游服务器收到无效响应 |
| 503 | 服务不可用 | 服务器目前无法使用 |
| 504 | 网关超时 | 服务器作为网关或代理，但是没有及时从上游服务器收到请求 |
| 505 | HTTP 版本不支持 | 服务器不支持请求中所用的 HTTP 协议版本 |
2、响应头
响应头包含了服务器对请求的应答信息，如 Content-Type、Server、Set-Cookie 等简要说明一些常用的头信息∶
- Date∶标识响应产生的时间
- Last-Modified∶指定资源的最后修改时间
- Content-Encoding∶指定响应内容的编码
- Server∶ 包含服务器的信息，比如名称、版本号等
- Content-Type∶ 文档类型，指定返回的数据类型是什么，如 text/html 代表返回 HTML 文档，application/x-javascript 则代表返回 JavaScript 文件，image/jpeg 则代表返回图片
- Set-Cookie∶设置 Cookies。响应头中的 Set-Cookie 告诉浏览器需要将此内容放在 Cookies 中
下次请求携带 Cookies 请求 - Expires∶ 指定响应的过期时间，可以使代理服务器或浏览器将加载的内容更新到缓存中
如果再次访问时，就可以直接从缓存中加载，降低服务器负载，缩短加载时间
3、响应体
最重要的当属响应体的内容，响应的正文数据都在响应体中
比如∶ - 请求网页时，它的响应体就是网页的 HTML 代码
- 请求一张图片时，它的响应体就是图片的二进制数据
2 web网页基础
网页可以分为三大部分∶ HTML、CSS 和JavaScript。
如果把网页比作一个人的话：
- HTML 相当于骨架
- JavaScript 相当于肌肉
- CSS相当于皮肤
2.1 HTML
HTML 是用来描述网页的一种语言，全称 HyperText Markup Language 超文本标记语言。
不同类型的元素通过不同类型的标签来表示∶
- 图片用 img 标签表示
- 视频用 video 标签表示
- 段落用 p 标签表示
- 它们之间的布局又常通过布局标签 div 嵌套组合而成
如图所示：
2.2 CSS
CSS 全称叫作 Cascading Style Sheets，即层叠样式表。
"层叠" 指当在 HTML 中引用了数个样式文件，并且样式发生冲突时，浏览器能依据层叠顺序处理。
"样式" 指网页中文字大小、颜色、元素间距、排列等格式。
CSS 是目前唯一的网页页面排版样式标准。
如下：
body {
color: #333;
background: #fff;
padding: 6px 0 0;
margin: 0;
position: relative;
}
在网页中，一般会统一定义整个网页的样式规则，并写入 CSS 文件中（其后缀为 css）。
在 HTML 中，只需要用 link 标签即可引入写好的 CSS 文件。
2.3 JavaScript
JavaScript 简称 JS，是一种脚本语言。在网页里看到的一些交互和动画效果，如下载进度条、提示框、轮播图等，通常就是利用 JavaScript。
JavaScript 使得用户与信息之间不只是一种浏览与显示的关系而是实现了一种实时、动态、交互的页面功能。
JavaScript 通常以单独的文件形式加载的，后缀为 js，在 HTML 中通过script 标签即可引入。
如下图所示：
综上所述：
- HTML 定义网页的内容和结构
- CSS 描述网页的布局
- JavaScript 定义网页的行为
2.4 网页的结构
这就是一个最简单的HTML实例：
<!DOCTYPE html>
<html lang="en">
<head>
<meta charset="UTF-8">
<title>Title</title>
</head>
<body>
<div id="container">
<div class="wrapper">
<h2 class="title">Hello World</h2>
<p class="text">Hello,this is a paragraph.</p>
</div>
</div>
</body>
</html>
- head 标签内定义一些页面的配置和引用
- title 标签则定义网页的标题，会显示在网页\的选项卡中，不会显示在正文中
- body 标签内是在网页正文中显示的内容
- div 标签定义网页中的区块
- h2 标签代表一个二级标题
- p 标签代表一个段落
代码保存后，在浏览器中打开该文件：
2.5 节点树及节点间的关系
在 HTML 中，所有标签定义的内容都是节点，它们构成了一个 HTML DOM 树。
DOM 是 W3C （万维网联盟）的标准，其英文全称 Document Object Model，即文档对象模型。
访问 HJTML 和XML文档的标准 W3C
文档对象模型（DOM）是中立于平台和语言的接口，它允许程序和脚本动态地访问和更新文档的内容、结构和样式。
W3C DOM 标准被分为 3 个不同的部分∶
- 核心 DOM - 针对任何结构化文档的标准模型
- XML DOM - 针对XML 文档的标准模型
- HTML DOM - 针对 HTML 文档的标准模型
根据W3C 的 HTML DOM标准， HTML 文档中的所有内容都是节点∶ - 整个文档是一个文档节点
- 每个 HTML 元素是元素节点
- HTML 元素内的文本是文本节点
- 每个 HTML 属性是属性节点
- 注释是注释节点
HTML DOM 将 HTML文档视作树结构，这种结构被称为节点树
通过 HTML DOM，树中的所有节点均可通过 JavaScript 访问，所有 HTML 节点元素均可被修改，也可以被创建或删除。
节点树中的节点彼此拥有层级关系：
常用父（parent）、子（child）和兄弟（sibling）等术语描述这些关系父节点拥有子节点。
同级的子节点被称为兄弟节点。
顶端节点称为根（root）。
除根节点外，每个节点都有父节点，同时可拥有任意数量的子节点或兄弟节点。
2.6 选择器
怎样来定位节点呢？
在 CSS 中，我们使用 CSS 选择器来定位节点。
例如：
<div id="container">
如果要选择 id 为container 的节点，可表示为 #container。其中 # 开头代表选择 id，其后紧跟 id 的名称。
如果想选择 class 为 wrapper 的节点，可使用 .wrapper。以点 “.” 开头代表选择class，其后紧跟class的名称。
也可使用根据标签名筛选，例如想选择二级标题，直接用 h2 即可。
最常用的 3种表示：
根据id、class、标签名筛选。
CSS 选择器还支持嵌套选择，各个选择器之间加上空格分隔开可以代表嵌套关系，如 #container .wrapper p。
- 代表先选择 id 为 container 的节点
- 然后选中其内部的 class 为 wrapper 的节点
- 然后再进一步选中其内部的 p节点
不加空格，则代表并列关系，如 div#container .wrapper p.text
- 代表先选择id 为 container 的 div 节点
- 然后选中其内部的 class 为 wrapper 的节点
- 再进一步选中其内部的 class 为 text的 p 节点
更多推荐
网络爬虫的基本知识（1）-- HTTP基本原理和web网页基础
发布评论