我們學(xué)習(xí)知識(shí)就像蓋房子一樣，沒有良好的地基，房子經(jīng)不起風(fēng)吹雨打。而如果房子的地基搭建的足夠牢固，即使臺(tái)風(fēng)來了都是高高的聳立在那里。我們沒有上來就講爬蟲怎么用，而是講了一些基礎(chǔ)的內(nèi)容。這些內(nèi)容大家都掌握了，后面我們學(xué)習(xí)實(shí)操爬蟲就會(huì)很順利，很清晰了。

　　HTTP協(xié)議

　　提到爬蟲我們不得不提起HTT協(xié)議，那什么是HTTP協(xié)議呢?

　　HTTP協(xié)議(超文本傳輸協(xié)議HyperText Transfer Protocol)，它是基于TCP協(xié)議的應(yīng)用層傳輸協(xié)議，簡單來說就是客戶端和服務(wù)端進(jìn)行數(shù)據(jù)傳輸?shù)囊环N規(guī)則。

　　• 超文本：是指超過文本，不僅限于文本;還包括圖片、音頻、視頻等文件

　　• 傳輸協(xié)議：是指使用共用約定的固定格式來傳遞轉(zhuǎn)換成字符串的超文本內(nèi)容

　　• 默認(rèn)端口號(hào)：80

　　并且HTTP是一種無狀態(tài)(stateless) 協(xié)議, HTTP協(xié)議本身不會(huì)對(duì)發(fā)送過的請求和相應(yīng)的通信狀態(tài)進(jìn)行持久化處理。這樣做的目的是為了保持HTTP協(xié)議的簡單性，從而能夠快速處理大量的事務(wù), 提高效率。

　　有時(shí)我們還會(huì)使用到https協(xié)議，其實(shí)他是HTTP + SSL(安全套接字層)，即帶有安全套接字層的超本文傳輸協(xié)，默認(rèn)端口號(hào)：443

　　• SSL對(duì)傳輸?shù)膬?nèi)容(超文本，也就是請求體或響應(yīng)體)進(jìn)行加密

　　請求

　　HTTP協(xié)議中每次請求都會(huì)攜帶下方的內(nèi)容，比如有請求的方法、請求的路徑、協(xié)議的版本等我們稱作請求行

　　還有符合字段名：值的這個(gè)方式的，我們稱作請求頭。

　　最后一部分是請求體。

　　大家來看一下，瀏覽器的開發(fā)者工具Network中的請求情況：

　　我們可以發(fā)現(xiàn)瀏覽器在發(fā)出請求的時(shí)候也是攜帶了請求行、請求頭等內(nèi)容。

　　爬蟲中特別關(guān)注的請求頭

　　無論是瀏覽器還是爬蟲，在發(fā)出請求的時(shí)候要遵守HTTP協(xié)議，遵守HTTP協(xié)議就要攜帶請求頭。

　　瀏覽器的請求頭有哪些呢?同樣在Network模式點(diǎn)擊一個(gè)鏈接查看：

　　這么多請求頭發(fā)出請求的時(shí)候都要加嗎?不是的，因?yàn)槊總€(gè)網(wǎng)站的請求頭也是不一樣的，也不是統(tǒng)一的。所以爬蟲特別關(guān)注以下幾個(gè)請求頭字段：

　　• Content-Type

　　• Host (主機(jī)和端口號(hào))

　　• Connection (鏈接類型)

　　• Upgrade-Insecure-Requests (升級(jí)為HTTPS請求)

　　• User-Agent (瀏覽器名稱)

　　• Referer (頁面跳轉(zhuǎn)處)

　　• Cookie (Cookie)

　　• Authorization(用于表示HTTP協(xié)議中需要認(rèn)證資源的認(rèn)證信息，如前邊web課程中用于jwt認(rèn)證)

　　加粗的請求頭為常用請求頭，在服務(wù)器被用來進(jìn)行爬蟲識(shí)別的頻率最高，相較于其余的請求頭更為重要，但是這里需要注意的是并不意味這其余的不重要，因?yàn)橛械木W(wǎng)站的運(yùn)維或者開發(fā)人員可能劍走偏鋒，會(huì)使用一些比較不常見的請求頭來進(jìn)行爬蟲的甄別

　　響應(yīng)

　　有請求再加上響應(yīng)才是一個(gè)完整的HTTP協(xié)議過程。那返回的響應(yīng)內(nèi)容格式又是什么呢?

　　所以每一次響應(yīng)都會(huì)包含上圖中的內(nèi)容，狀態(tài)碼、協(xié)議版本、響應(yīng)頭、響應(yīng)實(shí)體等。

　　同樣為了我們更加直觀的來看響應(yīng)我們還是通過瀏覽器的Network來看。可以看到有狀態(tài)碼、遠(yuǎn)程主機(jī)IP、響應(yīng)頭等內(nèi)容

　　還有一個(gè)主要內(nèi)容是沒有看到的，那就是響應(yīng)體，需要點(diǎn)擊一下Response，就會(huì)發(fā)現(xiàn)下面發(fā)生了變化，你所看到的就是響應(yīng)體的內(nèi)容。

　　所以瀏覽器在發(fā)出請求的時(shí)候，運(yùn)行過程是：

　　http請求的過程

　　我們無論訪問任何網(wǎng)站都是在瀏覽器的地址欄上輸入域名的，比如：http://www.baidu.com. 因?yàn)橛蛎糜洶?我們從來不會(huì)記的百度的IP地址。但是識(shí)別的過程有DNS域名解析服務(wù)器完成了，它能夠根據(jù)你輸入的域名找到匹配的IP地址，然后將IP地址告訴你。

　　瀏覽器在拿到域名對(duì)應(yīng)的ip后，開始發(fā)起請求，并獲取響應(yīng)

　　在返回的響應(yīng)內(nèi)容(html)中，會(huì)帶有css、js、圖片等url地址，以及ajax代碼，瀏覽器按照響應(yīng)內(nèi)容中的順序依次發(fā)送其他的請求，并獲取相應(yīng)的響應(yīng)

　　瀏覽器每獲取一個(gè)響應(yīng)就對(duì)展示出的結(jié)果進(jìn)行添加(加載)，js，css等內(nèi)容會(huì)修改頁面的內(nèi)容，js也可以重新發(fā)送請求，獲取響應(yīng)

　　從獲取第一個(gè)響應(yīng)并在瀏覽器中展示，直到最終獲取全部響應(yīng)，——這個(gè)過程叫做瀏覽器的渲染

　　那講了這么多，到底HTTP跟我們即將要講的爬蟲有什么關(guān)系呢?請看下圖：

　　http作用

　　這個(gè)是爬蟲的步驟，而HTTP協(xié)議則是這個(gè)步驟中的一部分而且是最重要的一部分，即發(fā)送請求獲取響應(yīng)的那部分。

　　【說的明白些，就是【請求和響應(yīng)】這段其實(shí)就是瀏覽器要干的活，我們通過寫程序假裝是瀏覽器在訪問?！?span style="text-indent: 2em;">!!!上圖紅色框起來的那部分就是假裝瀏覽器在做事情

　　下一次爬蟲我們給大家介紹正則表達(dá)式，并且介紹正則表達(dá)式在爬蟲中的使用。

　　更多關(guān)于“Python培訓(xùn)”的問題，歡迎咨詢千鋒教育在線名師。千鋒教育多年辦學(xué)，課程大綱緊跟企業(yè)需求，更科學(xué)更嚴(yán)謹(jǐn)，每年培養(yǎng)泛IT人才近2萬人。不論你是零基礎(chǔ)還是想提升，都可以找到適合的班型，千鋒教育隨時(shí)歡迎你來試聽。