《爬虫学习》

Posted 2021-03-13 whgy

Http请求：

1.在浏览器中发送一个http请求的过程：

 

 

2.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#anchor

解析：

 

 

 注意：写代码时，URL请求之中，中文必须转化为相对应的编码：%+16进制字符（例：何凯明=%E4%BD%95%E6%81%BA%E6%98%8E）

3.常用请求方法：

get请求：一般情况下，浏览器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。

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。

4.请求头以及参数：

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：

 

 

 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。

 

 

 5.状态码：

 

 

6.F12开发者工具：

　　Element整体布局
　　console一些js代码
　　source文件组成
　　network浏览器发送的请求