Python爬虫（学习准备）

 

编码格式的认识：

1. 字符：各种文字和符号的统称
2. 字符集：多个字符的集合
3. 字符集包括：ASCII字符集，GB2312字符集，GB18030，Unicode字符集等
4. 1个字符ASCII编码占1个字节，用Unicode编码占2个字节
5. UTF-8是Unicode的实习方式之一，是一种变长的编码方式，可以是1,2,3个字节等

 

在Python中字符串分为两种类型：

• bytes：二进制，互联网上数据都是以二进制传输
• str：unicode的呈现方式

 

str与bytes的转换：

encode（）　　#str->bytes

decode（）　　#bytes->str

a = '华南理工大学广州学院'
print(type(a))　　#
b = a.encode()　　#参数不填默认utf-8编码
print(b)　　
print(type(b))　　#
a = b.decode('utf-8')
print(a)　　#华南理工大学广州学院

 

cookie和session区别：

• cookie数据存放在客户的浏览器上，session数据放在服务器上。
• cookie不是很安全，别人可以分析存放在本地的cookie并进行cookie欺骗
• session会在一定时间内保存在服务器。当访问增多，会比较占服务器性能
• 单个cookie保存的数据不能超过4k，很多浏览器都限制一个站点最多保存20个cookie

 

Http和Https：

Http

• 超文本传输协议
• 默认端口号：80

Https

• Http + ssl（安全套接字层）
• 默认端口号：443

Https比http更安全，但是性能更低（耗时更长）

 

Url的形式：

 

http请求格式：

 

http常见请求头：

 

常见响应状态码：

• 200：成功
• 302：转移至新的url
• 307：转移至新的url
• 404：not found
• 500：服务器内部错误

 

爬虫的分类：

• 通用爬虫：通常指搜索引擎的爬虫
• 聚焦爬虫：针对特定网站的爬虫

 

通用爬虫与聚焦爬虫的流程：

 

Robots协议：

网站通过Robots协议告诉搜索引擎哪些页面可以抓取，哪些页面不能抓取

 

浏览器发送Http请求的过程：

 浏览器渲染出来的页面与爬虫请求的页面不一样