爬蟲定義、分類和流程

爬蟲定義

網絡爬蟲（又被稱為網頁蜘蛛，網絡機器人）就是模擬瀏覽器發送網絡請求，接收請求響應，一種按照一定的規則，自動地抓取互聯網信息的程序。

爬蟲就是模擬瀏覽器的行為，越像越好，越像就越不容易被發現。

原則上,只要是瀏覽器(客戶端)能做的事情，爬蟲都能夠做。

爬蟲的分類

通用爬蟲：通常指搜索引擎的爬蟲

聚焦爬蟲：針對特定網站的爬蟲

爬蟲的用途

• 今日頭條

• 網易云音樂

• 12306搶票

• 網站自動投票

• 短信轟炸

• 等等

爬蟲的流程

向起始url發送請求，并獲取響應

對響應進行提取

如果提取url，則繼續發送請求獲取響應

如果提取數據，則將數據進行保存

robots 協議

Robots 協議：網站通過 Robots 協議告訴搜索引擎哪些頁面可以抓取，哪些頁面不能抓取，但它僅僅是道德層面上的約束 例如：淘寶的 robots 協議

總結

• 爬蟲概念：模擬瀏覽器發送網絡請求，接收請求響應。只要是瀏覽器(客戶端)能做的事情，爬蟲都能夠做。

• 爬蟲的分類：聚焦爬蟲、通用爬蟲

• 爬蟲的流程：

向起始 url 發送請求，并獲取響應

對響應進行提取

如果提取 url，則繼續發送請求獲取響應

如果提取數據，則將數據進行保存

HTTP 與 HTTPS 的概念

HTTP

概念：HTTP（超文本傳輸協議）是應用層上的一種客戶端/服務端模型的通信協議,它由請求和響應構成，且是無狀態的。協議：協議規定了通信雙方必須遵守的數據傳輸格式，這樣通信雙方按照約定的格式才能準確的通信。無狀態：無狀態是指兩次諒解通信之間是沒有任何聯系的，每次都是一個新的連接，服務端不會記錄前后的請求信息。

HTTP 請求流程

瀏覽器通過域名解析服務器（DNS）獲取IP地址

瀏覽器先向 IP 發起請求，并獲取相應

在返回的響應內容（html）中，會帶有 css、js、圖片等 url 地址，以及 ajax 代碼，瀏覽器按照響應內容中的順序依次發送其他的請求，并獲取相應的響應

瀏覽器每獲取一個響應就對展示出的結果進行添加（加載），js，css 等內容會修改頁面的內容，js也可以重新發送請求，獲取響應

從獲取第一個響應并在瀏覽器中展示，直到最終獲取全部響應，并在展示的結果中添加內容或修改————這個過程叫做瀏覽器的渲染

五層網絡模型

HTTP協議結構圖

網絡模型對應關系

HTTP、RTSP、FTP -------> 應用層

TCP、UDP -------> 傳輸層

IP -------> 網絡層

數據鏈路 -------> 數據鏈路層

物理介質 -------> 物理層

url 地址格式

格式說明：scheme://host[:port]/path/…/[?query-string][#anchor]

scheme：協議（例如：http, https, ftp）

host：服務器的 IP 地址或者域名

port：服務器的端口（如果是走協議默認端口，缺省端口80）

path：訪問資源的路徑

query-string：參數，發送給 http 服務器的數據

anchor：錨（跳轉到網頁的指定錨點位置）

HTTP 請求

請求格式

案例

• 請求方式

根據 HTTP 標準，HTTP 請求可以使用多種請求方法。

HTTP1.0 定義了三種請求方法：GET, POST 和 HEAD 方法。

HTTP1.1 新增了五種請求方法：OPTIONS, PUT, DELETE, TRACE 和 CONNECT 方法。

請求方式

描述

GET	請求指定的頁面信息，并返回實體主體。
HEAD	類似于 get 請求，只不過返回的響應中沒有具體的內容，用于獲取報頭
POST	向指定資源提交數據進行處理請求（例如提交表單或者上傳文件）。數據被包含在請求體中。POST 請求可能會導致新的資源的建立和/或已有資源的修改。
PUT	從客戶端向服務器傳送的數據取代指定的文檔的內容
DELETE	請求服務器刪除指定的頁面。
CONNECT	HTTP/1.1 協議中預留給能夠將連接改為管道方式的代理服務器。
OPTIONS	允許客戶端查看服務器的性能。
TRACE	回顯服務器收到的請求，主要用于測試或診斷。

• 常見請求頭

請求頭

作用

Cookie	Cookie
User-Agent	瀏覽器名稱
Referer	頁面跳轉處
Host	主機和端口號
Connection	鏈接類型
Upgrade-Insecure-Requests	升級為 HTTPS 請求
Accept	傳輸文件類型
Accept-Encoding	文件編解碼格式
x-requested-with : XMLHttpRequest	ajax 請求

HTTP 響應

• 響應格式

HTTP響應也由四個部分組成，分別是：狀態行、消息報頭、空行（回車符 + 換行符）和響應正文。

• 響應頭

響應頭

作用

Location	這個頭配合 302 狀態碼使用，告訴用戶端找誰。
Set-Cookie	設置和頁面關聯的 Cookie
Content-Type	服務器通過這個頭，回送數據的類型
Server	服務器通過這個頭，告訴瀏覽器服務器的類型
Content-Length	服務器通過這個頭，告訴瀏覽器回送數據的長度
Connection	服務器通過這個頭，響應完是保持鏈接還是關閉鏈接

• HTTP 狀態碼

當瀏覽者訪問一個網頁時，瀏覽者的瀏覽器會向網頁所在服務器發出請求。當瀏覽器接收并顯示網頁前，此網頁所在的服務器會返回一個包含 HTTP 狀態碼的信息頭（server header）用以響應瀏覽器的請求。

HTTP 狀態碼的英文為 HTTP Status Code。

HTTP 狀態碼由三個十進制數字組成，第一個十進制數字定義了狀態碼的類型，后兩個數字沒有分類的作用。HTTP 狀態碼共分為 5 種類型

分類

分類描述

1**	信息，服務器收到請求，需要請求者繼續執行操作
2**	成功，操作被成功接收并處理
3**	重定向，需要進一步的操作以完成請求
4**	客戶端錯誤，請求包含語法錯誤或無法完成請求
5**	服務器錯誤，服務器在處理請求的過程中發生了錯誤

• 常見的 HTTP 狀態碼：

• 200 - 請求成功

• 301 - 資源（網頁等）被永久轉移到其它 URL

• 404 - 請求的資源（網頁等）不存在

• 500 - 內部服務器錯誤

HTTPS

• HTTPS 作用

在傳輸過程中對數據進行加密，防止中間路由器、交換機等中間的路由設備對數據進行篡改。

• HTTP 與 HTTPS 優缺點

HTTP 因為不需要對數據進行加密所以性能更高，但是安全性差。

HTTPS 雖然安全性高，但是因為瀏覽器和服務器端需要對數據進行加解密，所以占用服務器資源。

• 當前形式

注意：目前 HTTPS 是未來主流，微信小程序，iOS 客戶端，android 客戶端的接口提供都需要 HTTPS 接口支持

總結

以上是生活随笔為你收集整理的爬虫必须得会的Web知识的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。