一爬虫之基础

Posted 2022-05-21 chushujin

一、爬虫之基本原理

发起请求 通过HTTP库向目标站点发起请求，也就是发送一个Request，请求可以包含额外的header等信息，等待服务器响应 获取响应内容 如果服务器能正常响应，会得到一个Response，Response的内容便是所要获取的页面内容，类型可能是html,Json字符串，二进制数据（图片或者视频）等类型 解析内容 得到的内容可能是HTML,可以用正则表达式，页面解析库进行解析，可能是Json,可以直接转换为Json对象解析，可能是二进制数据，可以做保存或者进一步的处理 保存数据 保存形式多样，可以存为文本，也可以保存到数据库，或者保存特定格式的文件

二、Request请求

　　2.1 请求方式

　　　　主要有GET/POST两种类型常用类型，另外还有HEAD/PUT/DELETE/OPTIONS

　　　　GET和POST的区别是：GET请求的数据放在url中，POST则在则是刚在头部

　　　　GET：指向的资源发出“显示”请求，使用GET的方法应该只用在读取数据；

　　　　POST：指向资源提交数据，请求服务器进行处理（提交表单或者上传文件），数据被包含在请求本文中；

　　　　HEAD:与GET方法一样，都是向服务器发出指定的资源请求，只不过服务器将不传回资源的本文部分，好处在于：使用这个方法可以在不必传输全部内容的情况下，就可以获取其中关键资源信息（元信息，元数据）

　　　　PUT：向指定资源位置上传其最新的内容

　　　　OPTIONS：这个方法可使服务器传回该资源支持的所有HTTP请求方法，用“*”来代替资源名称，向Web服务器发送OPTIONS请求，可以ice 是服务器功能是否正常运作；

　　　　DELETE：请求服务器删除Request-URI所标识的资源。

　　2.2 请求URL

　　　　URL，统一资源定位符，即网址，