我們學習知識就像蓋房子一樣，沒有良好的地基，房子經不起風吹雨打。而如果房子的地基搭建的足夠牢固，即使臺風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，而是講了一些基礎的內容。這些內容大家都掌握了，后面我們學習實操爬蟲就會很順利，很清晰了。
HTTP協議
提到爬蟲我們不得不提起HTT協議，那什么是HTTP協議呢?
HTTP協議(超文本傳輸協議HyperText Transfer Protocol)，它是基于TCP協議的應用層傳輸協議，簡單來說就是客戶端和服務端進行數據傳輸的一種規則。
• 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
• 傳輸協議：是指使用共用約定的固定格式來傳遞轉換成字符串的超文本內容
• 默認端口號：80
并且HTTP是一種無狀態(stateless) 協議, HTTP協議本身不會對發送過的請求和相應的通信狀態進行持久化處理。這樣做的目的是為了保持HTTP協議的簡單性，從而能夠快速處理大量的事務, 提高效率。
有時我們還會使用到https協議，其實他是HTTP + SSL(安全套接字層)，即帶有安全套接字層的超本文傳輸協，默認端口號：443
• SSL對傳輸的內容(超文本，也就是請求體或響應體)進行加密
請求
HTTP協議中每次請求都會攜帶下方的內容，比如有請求的方法、請求的路徑、協議的版本等我們稱作請求行
還有符合字段名：值的這個方式的，我們稱作請求頭。
最后一部分是請求體。
大家來看一下，瀏覽器的開發者工具Network中的請求情況：
我們可以發現瀏覽器在發出請求的時候也是攜帶了請求行、請求頭等內容。
爬蟲中特別關注的請求頭
無論是瀏覽器還是爬蟲，在發出請求的時候要遵守HTTP協議，遵守HTTP協議就要攜帶請求頭。
瀏覽器的請求頭有哪些呢?同樣在Network模式點擊一個鏈接查看：
這么多請求頭發出請求的時候都要加嗎?不是的，因為每個網站的請求頭也是不一樣的，也不是統一的。所以爬蟲特別關注以下幾個請求頭字段：
• Content-Type
• Host (主機和端口號)
• Connection (鏈接類型)
• Upgrade-Insecure-Requests (升級為HTTPS請求)
• User-Agent (瀏覽器名稱)
• Referer (頁面跳轉處)
• Cookie (Cookie)
• Authorization(用于表示HTTP協議中需要認證資源的認證信息，如前邊web課程中用于jwt認證)
加粗的請求頭為常用請求頭，在服務器被用來進行爬蟲識別的頻率最高，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，因為有的網站的運維或者開發人員可能劍走偏鋒，會使用一些比較不常見的請求頭來進行爬蟲的甄別
響應
有請求再加上響應才是一個完整的HTTP協議過程。那返回的響應內容格式又是什么呢?
所以每一次響應都會包含上圖中的內容，狀態碼、協議版本、響應頭、響應實體等。
同樣為了我們更加直觀的來看響應我們還是通過瀏覽器的Network來看。可以看到有狀態碼、遠程主機IP、響應頭等內容
還有一個主要內容是沒有看到的，那就是響應體，需要點擊一下Response，就會發現下面發生了變化，你所看到的就是響應體的內容。
所以瀏覽器在發出請求的時候，運行過程是：
http請求的過程
我們無論訪問任何網站都是在瀏覽器的地址欄上輸入域名的，比如：http://www.baidu.com. 因為域名好記啊!我們從來不會記的百度的IP地址。但是識別的過程有DNS域名解析服務器完成了，它能夠根據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應的ip后，開始發起請求，并獲取響應
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，——這個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系呢?請看下圖：
http作用
這個是爬蟲的步驟，而HTTP協議則是這個步驟中的一部分而且是最重要的一部分，即發送請求獲取響應的那部分。
【說的明白些，就是【請求和響應】這段其實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。】!!!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式，并且介紹正則表達式在爬蟲中的使用。
更多關于“Python培訓”的問題，歡迎咨詢千鋒教育在線名師。千鋒教育多年辦學，課程大綱緊跟企業需求，更科學更嚴謹，每年培養泛IT人才近2萬人。不論你是零基礎還是想提升，都可以找到適合的班型，千鋒教育隨時歡迎你來試聽。
京公網安備 11010802030320號