第1章 爬虫基础

目录

1. HTTP 基本原理

1.1 URI 和 URL

• URI：统一资源标识符- URL：统一资源定位符- http://localhost:8080/Study/test.jsp- 指定了访问资源的唯一方式（访问协议、访问路径和资源名称）- URN：统一资源名称- urn:id:123456- 只为资源命名，但不指定如何定位
• URL的基本组成格式scheme://[username:password@]hostname[:port][/path][;parameters][?query][#fragment]- scheme（protocol）：协议- 常用协议：hrrp、https、ftp等- username、password：用户名、密码- 某些情况下 URL 需要提供用户名和密码才能访问- hostname：主机地址- 可以是域名或 IP 地址- port：端口- http://localhost:8080- 服务器设定的端口- path：路径- 网络资源在服务器中的指定地址- parameters：参数- 用来指定访问某个资源时的附加信息- query：查询- 用来查询某类资源- 如有多个查询，则用 & 隔开- fragment：片段- 对资源描述的部分补充- 两个主要应用 - 单页面路由：Vue、React 都可以借助它来做路由管理- HTML 锚点：控制一个页面打开时自动下滑滚动到某个特定的位置

1.2 HTTP 和 HTTPS

• HTTP：超文本传输协议 - 把超文本数据从网络传输到本地路由器- 能够保证高效而准确地传输超文本文档
• HTTPS：以安全为目标的 HTTP 通道 - 在 HTTP 下加入 SSL 层- SSL 的主要作用 - 建立一个信息安全通道，保证数据传输的安全性- 确认网站的真实性

1.3 请求

1.3.1 请求方法

• 用于标识请求客户请求服务端的方式
• 常见的请求方法：- GET：在浏览器中直接输入 URL 并回车 - 请求的参数会直接包含到 URL 里- POST：大多在提交表单时发起 - 数据通常以表单的形式传输，而不会体现在 URL 中
• GET 和 POST 请求方法的区别- GET - 参数包含在 URL 中，数据可以在 URL 中看到- 提交的数据最多只有1MB- POST - URL 不包含参数数据，数据都是通过表单形式传输，会包含在请求体中- 对提交的数据没有大小限制

1.3.2 请求的网址

• 唯一确定客户端向请求的资源

1.3.3 请求头

• 用来说明服务器要使用的附加信息
• 常用的请求头信息 - Accept：请求报头域 - 用于指定客户端可接受哪些类型的信息- Accept-Language： - 用于指定客户端可接受的语言类型- Accept-Encoding： - 用于指定客户端可接受的内容编码- Host： - 用于指定请求资源的主机 IP 和端口号- 内容为请求 URL 的原始服务器或网关的位置- Cookie： - 网站为了辨别用户，进行会话跟踪而存储在用户本地的数据- 主要功能为维持当前访问会话 - 自动登录- Referer： - 用于标识请求是哪个页面发过来的- User-Agent： - 一个特殊的字符串头- 使服务器识别客户端使用的操作系统及版本、浏览器及版本等信息- Content-Type：互联网媒体类型（MIME 类型） - 在 HTTP 协议消息头中- 用来标识具体请求中的媒体类型信息 - text/html：HTML 格式- image/gif：GIF 图片- application/json：JSON 类型

1.3.4 请求体

• 一般承载的内容是 POST 请求中的表单数据
• 对于 GET 请求，请求体为空

1.4 响应

1.4.1 响应状态码

• 表示服务器的响应状态
• 常见的状态码 - 200：服务器正常响应- 404：页面未找到- 500：服务器内部发生错误

1.4.2 响应头

• 包含了服务器对请求的应答信息
• 常用的响应头信息 - Date： - 用于标识响应产生的时间- Last-Modified： - 用于指定资源的最后修改时间- Content-Encoding： - 用于指定响应内容的编码- Server： - 包含服务器的信息 - 名称、版本号等- Content-Type：文档类型 - 指定返回的数据类型- Set-Cookie：设置 Cookie - 用于告诉浏览器需要将此内容放在 Cookie 中，下次请求时将 Cookie 携带上- Expires： - 用于指定响应的过期时间- 让代理服务器或浏览器将加载的内容更新到缓存中- 当再次访问相同的内容时，就可以直接从缓存中加载

1.4.3 响应体

• 响应的正文数据都存在于响应体中

2. Web 网页基础

2.1 网页的组成

2.1.1 HTML

• 超文本标记语言
• 网页的基础架构

2.1.2 CSS

• 层叠样式表 - 层叠： - 当 HTML 中引用了多个样式文件，并且样式发生冲突时，浏览器能够按照层叠顺序处理这些样式- 样式： - 网页中的文字大小、颜色、元素间距、排列等格式

2.1.3 JavaScript

• 脚本语言
• 实现了一种实时、动态、交互的页面功能

2.2 网页的结构

• 一个网页的标准形式是 html 标签内嵌套 head 标签和 body 标签 - head 标签内定义网页的配置和引用- body 标签内定义网页的正文

2.3 节点树及节点间的关系

• HTML节点树：HTML DOM 树
• 整个文档是一个文档节点
• 每个 HTML 元素是元素节点
• HTML 元素内的文本是文本节点
• 每个 HTML 属性是属性节点
• 注释是注释节点

• 节点树中的节点彼此拥有层级关系
• 常用父（parent）、子（child）和兄弟（sibling）等术语用于描述这些关系- 父节点拥有子节点- 同级的子节点被称为兄弟节点
• 在节点树中，顶端节点被称为根（root）
• 每个节点都有父节点、除了根（它没有父节点）
• 一个节点可拥有任意数量的子节点或兄弟节点

2.4 选择器

• 在 CSS 中，使用 CSS 选择器来定位节点

3. 爬虫的基本原理

3.1 爬虫概述

3.1.1 获取网页

• 获取网页的源代码

3.1.2 提取信息

• 分析源代码，从中提取所需数据

3.1.3 保存数据

• 将提取到的数据保存到某处以便后续使用

3.1.4 自动化程序

• 代替人来完成上述操作

4. Session 和 Cookie

4.1 静态网页和动态网页

• 静态网页 - 网页的内容由 HTML 代码编写，文字、图片等内容均通过写好的 HTML 代码来指定
• 动态网页 - 动态解析 URL 中参数的变化，关联数据库并动态呈现不同的页面内容

4.2 无状态 HTTP

• HTTP 协议对事务的处理没有记忆能力
• 服务器不知道客户端处于什么状态

4.3 Session

• 会话
• 有始有终的一系列动作、信息
• Session 对象用来存储特定用户 Session 所需的属性及配置信息
• 当用户进行页面跳转时，存储在 Session 中的变量不会丢失
• 如果没有 Session ，Web 服务器会自动创建一个 Session 对象
• Session 过期后，服务器将终止该 Session

4.4 Cookie

4.4.1 Session 维持

• 客户端第一次请求服务器时，服务器会返回一个响应头中带有 Set-Cookie 字段的响应给客户端，这个字段用来标记用户
• 当下一次请求相同的网站时，把保存的 Cookie 放到请求头中一起提交给服务器
• Cookie 中携带着 SessionID 相关信息，服务器通过检查 Cookie 即可找到对应的 Session，进而通过判断 Session 辨认用户状态

4.4.2 属性结构

• Name：- Cookie 的名称
• Value：- Cookie 的值
• Domain：- 指定可以访问该 Cookie 的域名
• Path：- Cookie 的使用路径
• Max-Age：- Cookie 失效的时间
• Size 字段：- Cookie 的大小
• HTTP 字段：- Cookie 的 httponly 属性- 若此属性为true，则只有在 HTTP Headers 中才会带有此 Cookie 信息，而不能通过脚本document.cookie来访问该 Cookie
• Secure- 是否仅允许使用安全协议传输 Cookie

4.4.3 会话 Cookie 和持久 Cookie

• 会话 Cookie - 把 Cookie 放在浏览器内存中，关闭浏览器后，Cookie 即失效
• 持久 Cookie - 把 Cookie 保存到客户端的硬盘中，下次还可以继续使用