第1章 爬虫基础

目录

  • 1. HTTP 基本原理
    • 1.1 URI 和 URL
    • 1.2 HTTP 和 HTTPS
    • 1.3 请求
      • 1.3.1 请求方法
      • 1.3.2 请求的网址
      • 1.3.3 请求头
      • 1.3.4 请求体
    • 1.4 响应
      • 1.4.1 响应状态码
      • 1.4.2 响应头
      • 1.4.3 响应体
  • 2. Web 网页基础
    • 2.1 网页的组成
      • 2.1.1 HTML
      • 2.1.2 CSS
      • 2.1.3 JavaScript
    • 2.2 网页的结构
    • 2.3 节点树及节点间的关系
    • 2.4 选择器
  • 3. 爬虫的基本原理
    • 3.1 爬虫概述
      • 3.1.1 获取网页
      • 3.1.2 提取信息
      • 3.1.3 保存数据
      • 3.1.4 自动化程序
  • 4. Session 和 Cookie
    • 4.1 静态网页和动态网页
    • 4.2 无状态 HTTP
    • 4.3 Session
    • 4.4 Cookie
      • 4.4.1 Session 维持
      • 4.4.2 属性结构
      • 4.4.3 会话 Cookie 和持久 Cookie

1. HTTP 基本原理

1.1 URI 和 URL

  • URI:统一资源标识符

    • URL:统一资源定位符

      • http://localhost:8080/Study/test.jsp
        
      • 指定了访问资源的唯一方式(访问协议、访问路径和资源名称)

    • URN:统一资源名称

      • urn:id:123456
        
      • 只为资源命名,但不指定如何定位

  • URL的基本组成格式

    scheme://[username:password@]hostname[:port][/path][;parameters][?query][#fragment]
    
    • scheme(protocol):协议

      • 常用协议:hrrp、https、ftp等
    • username、password:用户名、密码

      • 某些情况下 URL 需要提供用户名和密码才能访问
    • hostname:主机地址

      • 可以是域名或 IP 地址
    • port:端口

      • http://localhost:8080
        
      • 服务器设定的端口

    • path:路径

      • 网络资源在服务器中的指定地址
    • parameters:参数

      • 用来指定访问某个资源时的附加信息
    • query:查询

      • 用来查询某类资源
      • 如有多个查询,则用 & 隔开
    • fragment:片段

      • 对资源描述的部分补充
      • 两个主要应用
        • 单页面路由:Vue、React 都可以借助它来做路由管理
        • HTML 锚点:控制一个页面打开时自动下滑滚动到某个特定的位置

1.2 HTTP 和 HTTPS

  • HTTP:超文本传输协议
    • 把超文本数据从网络传输到本地路由器
    • 能够保证高效而准确地传输超文本文档
  • HTTPS:以安全为目标的 HTTP 通道
    • 在 HTTP 下加入 SSL 层
    • SSL 的主要作用
      • 建立一个信息安全通道,保证数据传输的安全性
      • 确认网站的真实性

1.3 请求

1.3.1 请求方法

  • 用于标识请求客户请求服务端的方式

  • 常见的请求方法:

    • GET:在浏览器中直接输入 URL 并回车
      • 请求的参数会直接包含到 URL 里
    • POST:大多在提交表单时发起
      • 数据通常以表单的形式传输,而不会体现在 URL 中
  • GET 和 POST 请求方法的区别

    • GET
      • 参数包含在 URL 中,数据可以在 URL 中看到
      • 提交的数据最多只有1MB
    • POST
      • URL 不包含参数数据,数据都是通过表单形式传输,会包含在请求体中
      • 对提交的数据没有大小限制

1.3.2 请求的网址

  • 唯一确定客户端向请求的资源

1.3.3 请求头

  • 用来说明服务器要使用的附加信息
  • 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:
      • 用于指定客户端可接受的语言类型
    • Accept-Encoding:
      • 用于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
      • 内容为请求 URL 的原始服务器或网关的位置
    • Cookie:
      • 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
      • 主要功能为维持当前访问会话
        • 自动登录
    • Referer:
      • 用于标识请求是哪个页面发过来的
    • User-Agent:
      • 一个特殊的字符串头
      • 使服务器识别客户端使用的操作系统及版本、浏览器及版本等信息
    • Content-Type:互联网媒体类型(MIME 类型)
      • 在 HTTP 协议消息头中
      • 用来标识具体请求中的媒体类型信息
        • text/html:HTML 格式
        • image/gif:GIF 图片
        • application/json:JSON 类型

1.3.4 请求体

  • 一般承载的内容是 POST 请求中的表单数据
  • 对于 GET 请求,请求体为空

1.4 响应

1.4.1 响应状态码

  • 表示服务器的响应状态
  • 常见的状态码
    • 200:服务器正常响应
    • 404:页面未找到
    • 500:服务器内部发生错误

1.4.2 响应头

  • 包含了服务器对请求的应答信息
  • 常用的响应头信息
    • Date:
      • 用于标识响应产生的时间
    • Last-Modified:
      • 用于指定资源的最后修改时间
    • Content-Encoding:
      • 用于指定响应内容的编码
    • Server:
      • 包含服务器的信息
        • 名称、版本号等
    • Content-Type:文档类型
      • 指定返回的数据类型
    • Set-Cookie:设置 Cookie
      • 用于告诉浏览器需要将此内容放在 Cookie 中,下次请求时将 Cookie 携带上
    • Expires:
      • 用于指定响应的过期时间
      • 让代理服务器或浏览器将加载的内容更新到缓存中
      • 当再次访问相同的内容时,就可以直接从缓存中加载

1.4.3 响应体

  • 响应的正文数据都存在于响应体中

2. Web 网页基础

2.1 网页的组成

2.1.1 HTML

  • 超文本标记语言
  • 网页的基础架构

2.1.2 CSS

  • 层叠样式表
    • 层叠:
      • 当 HTML 中引用了多个样式文件,并且样式发生冲突时,浏览器能够按照层叠顺序处理这些样式
    • 样式:
      • 网页中的文字大小、颜色、元素间距、排列等格式

2.1.3 JavaScript

  • 脚本语言
  • 实现了一种实时、动态、交互的页面功能

2.2 网页的结构

  • 一个网页的标准形式是 html 标签内嵌套 head 标签和 body 标签
    • head 标签内定义网页的配置和引用
    • body 标签内定义网页的正文

2.3 节点树及节点间的关系

  • HTML节点树:HTML DOM 树

  • 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

第1章 爬虫基础_第1张图片

  • 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)等术语用于描述这些关系

    • 父节点拥有子节点
    • 同级的子节点被称为兄弟节点
  • 在节点树中,顶端节点被称为根(root)

  • 每个节点都有父节点、除了根(它没有父节点)

  • 一个节点可拥有任意数量的子节点或兄弟节点

第1章 爬虫基础_第2张图片

2.4 选择器

  • 在 CSS 中,使用 CSS 选择器来定位节点

3. 爬虫的基本原理

3.1 爬虫概述

3.1.1 获取网页

  • 获取网页的源代码

3.1.2 提取信息

  • 分析源代码,从中提取所需数据

3.1.3 保存数据

  • 将提取到的数据保存到某处以便后续使用

3.1.4 自动化程序

  • 代替人来完成上述操作

4. Session 和 Cookie

4.1 静态网页和动态网页

  • 静态网页
    • 网页的内容由 HTML 代码编写,文字、图片等内容均通过写好的 HTML 代码来指定
  • 动态网页
    • 动态解析 URL 中参数的变化,关联数据库并动态呈现不同的页面内容

4.2 无状态 HTTP

  • HTTP 协议对事务的处理没有记忆能力
  • 服务器不知道客户端处于什么状态

4.3 Session

  • 会话
  • 有始有终的一系列动作、信息
  • Session 对象用来存储特定用户 Session 所需的属性及配置信息
  • 当用户进行页面跳转时,存储在 Session 中的变量不会丢失
  • 如果没有 Session ,Web 服务器会自动创建一个 Session 对象
  • Session 过期后,服务器将终止该 Session

4.4 Cookie

4.4.1 Session 维持

  • 客户端第一次请求服务器时,服务器会返回一个响应头中带有 Set-Cookie 字段的响应给客户端,这个字段用来标记用户
  • 当下一次请求相同的网站时,把保存的 Cookie 放到请求头中一起提交给服务器
  • Cookie 中携带着 SessionID 相关信息,服务器通过检查 Cookie 即可找到对应的 Session,进而通过判断 Session 辨认用户状态

4.4.2 属性结构

  • Name:

    • Cookie 的名称
  • Value:

    • Cookie 的值
  • Domain:

    • 指定可以访问该 Cookie 的域名
  • Path:

    • Cookie 的使用路径
  • Max-Age:

    • Cookie 失效的时间
  • Size 字段:

    • Cookie 的大小
  • HTTP 字段:

    • Cookie 的 httponly 属性
    • 若此属性为true,则只有在 HTTP Headers 中才会带有此 Cookie 信息,而不能通过脚本document.cookie来访问该 Cookie
  • Secure

    • 是否仅允许使用安全协议传输 Cookie

4.4.3 会话 Cookie 和持久 Cookie

  • 会话 Cookie
    • 把 Cookie 放在浏览器内存中,关闭浏览器后,Cookie 即失效
  • 持久 Cookie
    • 把 Cookie 保存到客户端的硬盘中,下次还可以继续使用

你可能感兴趣的:(#,Python3网络爬虫开发实践,python,爬虫)