爬虫的概念、工具和HTTP
一、什么是爬虫
爬虫就是模拟客户端(浏览器)发送网络请求,获取响应,按照规则提取数据的程序
模拟客户端(浏览器)发送网络请求:照着浏览器发送一模一样的请求,获取和浏览器一模一样的数据
二、爬虫数据去哪了
呈现出来,展现在网络上,展现在app上
进行分析:从数据中寻找一些规律
三、需要的软件和环境
python2.7
pycharm——python编辑器
chrome浏览器——分析网络请求用的
四、浏览器的请求
1.url地址
在chorme中点击检查,点到network
url =请求的协议+域名+路径+参数
看到百分号可以去站长工具:进行url解码
2.浏览器请求url地址
当前url对应的响应+js+css+图片 ---》elements中的内容
3.爬虫请求的url地址
当前url对应的响应
注意:elements的内容和爬虫获取到的url地址的响应不同,爬虫需要一当前url地址对应的响应为准提取数据
五、认识HTTP、HTTPS
1.HTTP:超文本传输协议(以明文的形式传输,效率高,但是不安全)
2.HTTPS:HTTP+SSL(安全套接字层)——(传输之前数据先加密之后解密获取内容,效率低,但是安全)
3.get请求和post请求的区别
get 请求没有请求体,post有,get请求把数据放到url地址中
post请求常用于注册
post请求携带的数据量比get请求大,多,常用于传输大文本的
4.HTTP协议之请求
1)请求行
2)请求头
User-Agent:用户代理(对方服务器能够通过user-agent知道当前请求对方资源的是什么浏览器)
Cookie:用来存储用户信息的,每次请求会被携带上发送给对方的浏览器
(要获取登录后的浏览器,对方会通过cookie来判断我们是不是一个爬虫)
请求体:get请求没有请求体,post请求有请求体,携带数据
5.HTTP协议之响应
1)响应头
Set-Cookie:对方服务器设置的cookie
2)响应体:url地址对应的响应