python爬虫--爬虫前奏

大家好，我是白菜胡萝丸子

人生苦短，Python当歌

什么是爬虫？

采集信息的程序一般称为网络爬虫，其行为一般是先"爬"到对应的网页上，再把需要的信息“铲”下来。
形象的比喻：采集程序就像一只辛勤的小蜜蜂，它飞到花（目标网页）上，采集花粉（需要的信息），经过处理（数据清洗、储存）变成蜂蜜（可用的数据）。
为什么要用Python写爬虫程序
先对于其他编程语言，它代码简洁，开发效率高，支持的模块多，相关的HTTP请求模块和HTTP解析模块非常丰富。

爬虫工具

• 谷歌浏览器
• pycharm 2021

HTTP是什么？

http协议，全称是HyperText Transfer Protocol，中文的意思是超文本传输协议。
https协议，是http协议加密的版本。https = http + ssl

什么是URL？

URL是Uniform Resource Locator的简写，中文意思是统一资源定位符，一个URL是由一下几个部分组成的
schem://host:port/path/?query-string*#anchor

• schem:代表访问的协议，一般是http或https以及ftp等
• host：主机名，域名，比如www.baidu.coom
• port：端口号，当你访问一个网站的时候，浏览器默认使用80端口。
• path：查找路径，比如：www.baidu.com/trending/now后面的trending/now就是path
• query-string：查询字符串，比如：www.baidu.com/s?wd=python,后面的wd=python就是查询字符串
• anchor：瞄点，后台一般不用管，前端用来做页面定位的
  在浏览器中请求一个url，浏览器会对这个url进行一个编码，除英语字母，数字和部分符号外，其他的全部使用百分号+十六进制码值进行编码。也即是说，我们写代码构造程序是url出现非（英语字母，数字和部分符号）要转换称百分号+十六进制码值

在浏览器中发送一个http请求的过程

你在浏览器中输入网址时，按下回车键，浏览器会给服务器发送请求，然后服务器接受后，会返回请求的文件。
现在需要我们写代码模拟浏览器的行为，把你需要的文件给请求下来。
怎么样编写代码呢？

常用的请求方法
在http协议中定义了八种请求方法，而我们只用两种请求方法–get请求和post请求
1.get请求：一般情况下，只从服务器获取数据下来，并不会对服务器资源产生任何影响的时候用get请求
2.post请求：向服务器发送数据（登录）、上传文件等，会对服务器资源产生影响的时候会使用post请求
以上时在网站开发常用的两种方法，并且一般情况下都会遵循使用原则，但是有的网站和服务器为了做反爬虫机制，也经常会不按常理出牌，有可能一个应该使用get方法的请求一定要改成post请求，这个要视情况而定

请求头常见的参数（作用伪装成浏览器身份，不让服务器认为你是爬虫，简单点说，为了反扒）
在http协议中，向服务器发送一个请求，数据分为三部分，第一个是把数据放在url中，第二个是把数据放在body当中，第三个是放在head中，简单介绍爬虫请求头常用的参数
1.User-Agent：浏览器名称，为了给爬虫装上身份，来伪装我们的爬虫
2.Referer：表明当前这个请求是从哪个url过来的，这个一般也可以用来做反爬虫技术，如果不是从指定页面过来的，那么就不做相关的响应
3.Cookie：http协议是无状态的，也就是同一个人发送两次请求，服务器没有能力知道这两个请求是否是同一个人，因此这时候就用cookie来做标识，一般如果想要做登录后才能访问的网站，那么就需要发送cookie信息了

响应状态码

200：请求正常
302：临时重定向，比如在访问一个需要登录页面的时候，而此时没有登录，那么就会重定向到登录页面
400：请求的url在服务器上找不到，换句话说就是请求url错误
403：服务器拒绝访问，权限不够