python爬虫前奏

在浏览器中发送一个http请求的过程:

1.当用户在浏览器的地址栏中输入一个URL并按回车键之后,浏览器会向HTTP服务器发送HTTP请求。HTTP请求主要分为”Get”和”Post”两种方法。

2.当我们在浏览器输入URL htp://www baidu .com的时候,浏览器发送-个Request请求去获取htp:/www baidu com的html文件,服务器把Response文件对象发送回给浏览器。

3.浏览器分析Response中的HTML,发现其中引用了很多其他文件,比如Images文件,CSS文件, JS文件。浏览器会自动再次发送Request去获取图片,CSS文件,或者JS文件。

4.当所有的文件都下载成功后,网页会根据HTML语法结构,完整的显示出来了。

#url详解:

URL是Uniform Resource Locator的简写,统一资源定位符。

一个URL由以下几部分组成:

scheme://host:port/path/>query-string=xxx#ancho

●scheme:代表的是访问的协议,-般为http或者https以及ftp等。

●host:主机名,域名,比如www.baidu.com

●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.jianshu.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就是查找的字符串。

●anchor:锚点,后台一般不用管,前端用来做页面定位的。

在浏览器中请求- -个ufl ,浏览器会对这个url进行一个编码. 除英文字母,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。

#请求头常见参数:

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中(在post请求中) ,第三个就是把数据放在head中。这里介绍在网络爬虫中经常会用到的一些请求头参数:

  1. User-Agent :浏览器名称。这个在网络爬虫中经常会被使用到。请求一个网页的时候,服务器通过这个参数就可以知道这个请求是由哪种浏览器发送的。如果我们是通过爬虫发送请求,那么我们的User-Agent 就是Python ,这对于那些有反爬虫机制的网站来说,可以轻易的判断你这个请求是爬虫。因此我们要经常设置这个值为一些浏览器的值,来伪装我们的爬虫。

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。

Cookie : http协议是无状态的。也就是同-一个人发送了两次请求,服务器没有能力知道这两个请求是否来自同一个人。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。

常用的请求方法:

在Http协议中,定义了八种请求方法。这里介绍两种常用的请求方法,分别是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会使用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。

以上是在网站开发中常用的两种方法。并且一般情况下都会遵循使用的原则。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方法的请求就一定要改成post请求,这个要视情况而定。

常见响应状态码:

200 :请求正常,服务器正常的近回数据。

301 :永久重定向。比如在访问www.jingdong.com的时候会重定向到www.jd.com。

302 :临时重定向。比如在访问一个需要登录的页面的时候,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。换句话说敦是请求ur1错误。

403 :服务器拒绝访问,权限不够。

500 :服务器内部错误。可能是服务器出现bug了

转载请注明本文链接:http://python.doc.weixiaoline.com/37.html

发表评论

您的电子邮箱地址不会被公开。 必填项已用*标注