爬虫学习-第一篇

首页感谢崔庆才博主的文章，以下信息都是在其文章与《python3网络爬虫开发实战》书中摘抄出的https://cuiqingcai.com

"""
Version: 0.1
Author: freshbin
Date: 2019年8月23日
"""

print("=================================URI和URL start================================================")

'''
URI: 统一资源标志符
URL：统一资源定位符
URN：统一资源名称
URI包括URL和URN
所以URL是URI的子集
URL：http://github.com/favicon.ico
URN: isbn:123456789
URN只命名资源而不指定如何定位资源
'''

print("=================================URI和URL end================================================")





print("=================================HTTP和HTTPS start================================================")

'''
HTTP(Hyper Text Transfer Protocol):超文本传输协议
HTTPS(Hyper Text Transfer Protocol over Secure Socker Layer)
某些网站虽然使用了HTTPS协议，但还是会被浏览器提示不安全，爬取这样的站点，需要设置忽略证书的选项，否则会提示SSL链接错误
打开一个网站，按f12调出调试窗口
在调试界面，点击Network
可以看到以下几列
第一列Name:请求的名称，一般会将URL的最后一部分内容当做名称
第二列Status：响应的状态码，显示200代表响应正常。可以通过状态码判断发送了请求之后是否得到响应
第三列Type：请求的文档类型，document代表请求的是一个HTML文档，png代表是一个图片。
第四列Initiator：请求源。用来标记请求时由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。如果是从缓冲中获取的资源，则该列会显示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。

点击这一栏，点击Headers，可以看到详细信息
General：Request URL为请求的URL，Request Method为请求的方法，Status Code为响应状态码，
Remote Address为远程服务器的地址和端口，Referrer Policy为Referrer判别策略。
Response Headers：响应头
Request Headers：请求头
请求：由客户端向服务端发出，可以分为4部分：请求方法（Request Method）、请求的地址（Request URI）、
请求头（Request Headers）、请求体（Request Body）

1、请求方法：Get和Post：Get的参数在URL可以看到，Post的参数会包含在请求体中，Get提交的数据最多1024字节，Post没有限制。
其他的请求方法如下：
GET：请求页面，返回页面内容
HEAD:类似GET，不过返回的响应中没有具体内容，用于获取报头
POST:表单提交或上传文件，数据包含在请求体
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:把服务器当做跳板，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

3、请求头：用来说明服务器想要的附加信息，比较重要的信息有Cookie、Referer、User-Agent等
常用的头信息如下
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的原始服务器或网管的位置。
Cookie：缓存
Referer：此内容可以用来标识这个请求时从哪个页面发过来的，服务器可以拿到这一信息并做响应的处理，
如做来源统计、防盗链处理等。
User-Agent：简称UA，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，更多对应关系见此：http://tool.oschina.net/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。
Content-Type和POST提交数据方式的关系
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

响应：分为三部分：响应状态码、响应头和响应体。
1、响应状态码
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                      服务器成功处理的请求
201         已创建                    请求成功并且服务器创建了新的资源
202         已接收                    服务器已接收请求，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外一个源
204         无内容                    服务器已成功处理了请求，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位置，即临时重定向
303         查看其他位置              如果原来的请求时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被修改，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URI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         错误网管                  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
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Cookie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、响应头
请求网页时，响应体就是网页的HTML代码，请求图片，响应体就是图片的二进制数据。
'''

print("=================================HTTP和HTTPS end================================================")