什么是上网？爬虫要做的是什么？
我们所谓的上网便是由用户端计算机发送请求给目标计算机，将目标计算机的数据下载到本地的过程。
用户获取网络数据的方式是： 浏览器提交请求->下载网页代码->解析/渲染成页面。
而爬虫程序要做的就是： 模拟浏览器发送请求->下载网页代码->只提取有用的数据->存放于数据库或文件中
定义
通过编写程序,模拟浏览器上网,向网站发起请求,让其去互联网上获取数据后分析并提取有用数据的程序
爬虫的基本流程
1、发起请求 使用http库向目标站点发起请求，即发送一个Request Request包含：请求头、请求体等 2、获取响应内容 如果服务器能正常响应，则会得到一个Response Response包含：html，json，图片，视频等 3、解析内容 解析html数据：正则表达式，第三方解析库如Beautifulsoup，pyquery等 解析json数据：json模块 解析二进制数据:以b的方式写入文件 4、保存数据 数据库 文件
请求与响应
http协议：https://home.cnblogs.com/u/waller/ Request：用户将自己的信息通过浏览器（socket client）发送给服务器（socket server） Response：服务器接收请求，分析用户发来的请求信息，然后返回数据（返回的数据中可能包含其他链接，如：图片，js，css等） #ps：浏览器在接收Response后，会解析其内容来显示给用户，而爬虫程序在模拟浏览器发送请求然后接收Response后，是要提取其中的有用数据。
-
Request
1.请求方式： 常用的请求方式：GET，POST 其他请求方式：HEAD，PUT，DELETE，OPTHONS ''' post与get请求最终都会拼接成这种形式：k1=xxx&k2=yyy&k3=zzz post请求的参数放在请求体内： 可用浏览器查看，存放于form data内 get请求的参数直接放在url后 ''' 2.请求的url url全称统一资源定位符，如一个网页文档，一张图片 一个视频等都可以用url唯一来确定 ''' url编码 https://www.baidu.com/s?wd=图片 图片会被编码（看示例代码） ''' ''' 网页的加载过程是： 加载一个网页，通常都是先加载document文档， 在解析document文档的时候，遇到链接，则针对超链接发起下载图片的请求 ''' 3、请求头 User-Agent：请求头中如果没有user-agent客户端配置， 服务端可能将你当做一个非法用户 host cookies：cookie用来保存登录信息 ''' 一般做爬虫都会加上请求头 ''' 4.请求体 如果是get方式，请求体没有内容 如果是post方式，请求体是format data ''' ps： 1、登录窗口，文件上传等，信息都会被附加到请求体内 2、登录，输入错误的用户名密码，然后提交，就可以看到post，正确登录后页面通常会跳转，无法捕捉到post '''
-
Response
1、响应状态 200：代表成功 301：代表跳转 404：文件不存在 403：权限 502：服务器错误 2、Respone header set-cookie：可能有多个，是来告诉浏览器，把cookie保存下来 3、preview就是网页源代码 最主要的部分，包含了请求资源的内容 如网页html，图片 二进制数据等
爬虫分类
1 通用爬虫:
获取一整张页面数据 2 聚焦爬虫:
获取指定页面内的指定数据 3 增量式爬虫:
用来检测网站数据的更新情况,爬取网站最新更新出来的数据
"攻" 与 "防"
"攻":
网站采用相关的技术手段或策略阻止爬虫程序对网站数据的爬取 - UA检测: 服务器通过对请求中的请求头里的UA的值,来判定请求载体的身份
# robots协议 (君子协议) 通常用在门户网站中,声明了哪些数据可爬,哪些数据不可爬 eg: https://www.taobao.com/robots.txt
"防":
让爬虫程序通过破解反爬机制获取数据 # ps: 网站不同策略不同,需要分析
一般使用到的头信息: 请求头 - User-Agent : 请求载体的身份标识 载体: 浏览器, 爬虫程序 - Connection : keep-alive | close close : 当用爬虫请求成功后,这个请求对应的连接会立刻断开 响应头 - content-type : 数据响应方式, 服务器按对应方式响应数据
补充
http协议: client与server进行数据交互的一种规定形式 https协议: 安全的http协议,在http基础之上加了一个安全层的操作(ssl加密) - 对称秘钥加密:(不安全) 加密数据级密规则(私钥)发送到服务端破解 - 非对称秘钥加密:(效率低, 不安全:客户端拿到的公钥不一定是服务端的) 服务器端制定加密方式(公钥)和解密方式(私钥),客户端获取公钥加密数据再传输 - 证书秘钥加密: 公钥 -> 证书机构 -> 添加证书 -> 客户端 -> 加密数据 -> 服务端
ps: 爬虫仅仅是工具,无好坏之分,