爬蟲定義、分類和流程
- 爬蟲的定義：
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
-
網易雲音樂
-
12306搶票
-
網站自動投票
-
短信轟炸
-
等等
4.爬蟲的流程
**
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：
1、向起始 url 發送請求，並獲取響應
2、對響應進行提取
3、如果提取 url，則繼續發送請求獲取響應
4、如果提取數據，則將數據進行保存
HTTP 與 HTTPS 的概念
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准確的通信。 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
1、瀏覽器通過域名解析服務器（DNS）獲取IP地址
2、瀏覽器先向 IP 發起請求，並獲取相應
3、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，並獲取相應的響應
4、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
5、從獲取第一個響應並在瀏覽器中展示，直到最終獲取全部響應，並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
網絡模型對應關系
1、HTTP、RTSP、FTP -------> 應用層
2、TCP、UDP -------> 傳輸層
3、IP -------> 網絡層
4、數據鏈路 -------> 數據鏈路層
5、物理介質 -------> 物理層
1、scheme：協議（例如：http, https, ftp）
2、host：服務器的 IP 地址或者域名
3、port：服務器的端口（如果是走協議默認端口，缺省端口80）
4、path：訪問資源的路徑
5、query-string：參數，發送給 http 服務器的數據
6、anchor：錨（跳轉到網頁的指定錨點位置）
請求方式：
根據 HTTP 標准，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，並返回實體主體。
HEAD類似於 get 請求，只不過返回的響應中沒有具體的內容，用於獲取報頭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。
CONNECTHTTP/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，主要用於測試或診斷。
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 : XMLHttpRequestajax 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 CookieContent-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。當瀏覽器接收並顯示網頁前，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
1xx信息，服務器收到請求，需要請求者繼續執行操作
2xx成功，操作被成功接收並處理
3xx重定向，需要進一步的操作以完成請求
4xx客戶端錯誤，請求包含語法錯誤或無法完成請求
5xx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：
1、 HTTP + SSL (安全套接字層)，即帶有安全套接字層的超本文傳輸協議
2、 默認端口號：443
- 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。
- 當前形勢
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