Python爬虫学习( 一 )——请求和响应
Python爬虫学习( 一 )
Web大致有三层
- 客户端：访问远程网站；
- 服务端：为网站和Web API 提供数据；
- Web API 和服务：用另一种不同于可视化网页的方式来交换数据。
互联网最底层的网络传输使用的是：传输控制协议 / 因特网协议，更常用的叫法是TCP/IP。
TCP/IP
因特网是基于规则的，这些规则定义了如何创建连接、交换数据、中止连接、处理超时等，这些规则被称为协议。
它们被分布在不同的层中，分层的目的是兼容多种实现方法，你可以在某一层中做任何想做的事情，只要遵循上一个层和下一层的约定。
最底层处理的是电信号，其余层都是基于下面的层构建而成，在大约中间的的位置是 IP( 因特网协议 )层，这层规定了网络位置和地址的映射方法以及数据包的传输方式。
爬虫基础：
URI 和 URL
URI指的是统一资源标识符，URL是统一资源定位符。
我们可以用 URL/URI 来唯一指定某个网站的访问方式，例如:https://www.baidu.com:443，这其中包括了访问协议https、访问路径…。通过这样的一个链接，我们可以从互联网上找到这个资源，这个就URL/URI。
URL是URI的子集，也就是说每个URL都是URI，但不是每个URI都是URL。URI还包括一个子类叫做URN，叫做统一资源名称。URN只命名资源而不指定如何定位资源。例如urn：0451450523指定了一本书的ISBN( 国际标准书号 )，可以唯一标识这本书，但是没有指定到哪里定位这本书，这就是URN。
HTTP和HTTPS
URL的开头会有http或https，这就是访问资源需要的协议类型。有时候，我们还会看到ftp、sftp、smb开头的URL，它们都是协议类型。在爬虫中，我们抓取的网页通常就是http或https协议的。
HTTP的中文名叫超文本传输协议。HTTP协议是用于从网络传输超文本数据到本地浏览器的传送协议，它能保证高效而准确地传送超文本文档。
HTTPS是以安全为目标的HTTP通道，简单讲是HTTP的安全版，即HTTP下加入SSL层，简称为HTTPS。
HTTPS的安全基础是SSL，因此通过它传输的内容都是经过SSL加密的，它的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机构颁发的安全签章来查询。
HTTP请求过程
我们在浏览器中输入一个URL，回车之后便会在浏览器中观察到页面内容。实际上，这个过程是浏览器向网站所在的服务器发送了一个请求，网站服务器接受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。响应里包含了页面的源代码等内容，浏览器再对其进行解析，便将网页呈现了出来。
客户端>>>服务器，服务器>>>客户端
此处客户端代表我们自己的PC( 个人计算机 )或者手机浏览器，服务器即要访问的网站所在的服务器。
点开可以看到，存在Response Headers 和 Request Headers，这分别代表响应头和请求头。请求头里带有许多请求信息，例如浏览器表示、Cookies、Host等信息，这是请求的一部分，服务器会根据请求头内的信息判断请求是否合法，进而做出对应的响应。Response Headers就是响应的一部分，例如其中包含了服务器的类型、文档类型、日期等信息，浏览器接受到响应后，会解析响应内容，进而呈现网页内容。
请求
请求，由客户端向服务端发出，可以分为4部分内容：
请求方法( Request Method )、请求的网址( Request URL )、请求头( Request Headers )、请求体( Request Body )
1、请求方法
常见的请求方法有两种：GET 和 POST
在浏览器中直接输入URL并回车，这便发起了一个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.com/s?wd=Python，其中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。
POST请求大多在表单提交时发起。比如，对于一个登录表单，输入用户名和密码后，点击"登录"按钮，这通常会发起一个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，数据都是通过表单的形式传输，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方式没有限制；
一般来说，登录时，需要提交用户名和密码，其中包含了敏感信息，使用GET方式请求的话，密码就会暴露在URL里面，造成密码泄露，所以这里最好以POST方式发送。上传文件时，由于文件内容比较大，也会选用POST方式。
2、请求的网址
请求的网址，即统一资源定位符URL，它可以唯一确定我们想请求的资源。
3、请求头
请求头，用来说明服务器使用的附加信息，比较重要的信息有Cookie、Referer、User-Agent等。
-
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储存在用户本地的数据。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：此内容用来表示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。
因此，请求头使请求的重要组成部分，在写爬虫时，大部分情况下都需要设定请求头。
4、请求体
登录之前，我们填写了用户名和密码信息，提交时这些内容就会以表单数据的形式交给服务器，此时注意例子Request Headers 中指定Content-Type 为 application/x-www-form-urlencoded。只有Content-Type设置为application/x-www-form-urlencoded，才会以表单数据的形式提交。
在爬虫中，如果要构造POST请求，需要使用正确的Content-Type，并了解各种请求库的各个参数设置时使用的使哪种Content-Type，不然可能会导致POST提交后无法正常响应。
响应
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 )和响应体( Response Body )
1、响应状态码表示服务器的响应状态，如 200 代表服务器正常响应，404 代表页面未找到，500 代表服务器内部发生错误。在爬虫中，我们可以根据状态码来判断服务器响应状态，如状态码为200，则证明成功返回数据，再进行进一步处理， 否则直接忽略。
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。
- 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；
- 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了。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。我们做爬虫请求网页后，要解析的内容就是响应体。
在做爬虫时，我们主要通过响应体得到网页的源代码、JSON数据等，然后从中做响应内容的提取。
在浏览器开发者工具中点击 Preview，就可以看到网页的源代码，也就是响应体的内容，它是解析的内容。
提示：
内容大多来自崔庆才《Python3——网络爬虫开发实战》
网址：https://www.ituring.com.cn/book/tupubarticle/29396
如有侵权，请联系本人删除，谢谢。
本人只是某大学学生，发布该篇博客作为该书的学习笔记，和大家一起分享学习和交流。