爬虫基础

请求与相应

在进行爬虫数据采集的过程中，往往是通过一个链接地址向服务器模拟发送请求，从而得到此地址在服务器中的数据。这个地址会遵循互联网数据传输协议:

协议

• 协议，意思是共同计议，协商，经过谈判、协商而定制的共同承认、共同遵守的文件。
• 协议，网络协议的简称，网络协议是通信计算机双方必须共同遵从的一组约定。如怎么样建立连接、怎么样互相识别等。只有遵守这个约定，计算机之间才能相互通信交流。

爬虫业务场景中最常见就是 http 协议

HTTP/HTTPS 协议

• HTTP协议（HyperText Transfer Protocol，超文本传输协议）：是一种发布和接收HTML页面的方法。
• HTTPS（Hypertext Transfer Protocol over Secure Socket Layer）简单讲是HTTP的安全版，在HTTP下加入SSL层。

HTTP/HTTPS的优缺点

HTTP 的缺点

• 通信使用明文（不加密），内容可能会被窃听
• 不验证通信方的身份，因此有可能遭遇伪装
• 无法证明报文的完整性，所以有可能已遭篡改

HTTPS的优点

为了解决 HTTP 协议的以上缺点，在上世纪90年代中期，由网景（NetScape）公司设计了 SSL 协议。SSL 是“Secure Sockets Layer”的缩写，中文叫做“安全套接层”。

SSL（Secure Sockets Layer 安全套接层）主要用于Web的安全传输协议，在传输层对网络连接进行加密，保障在Internet上数据传输的安全。

请求与响应概述

HTTP通信由两部分组成： 客户端请求消息 与 服务器响应消息

浏览器发送HTTP请求的过程：

• 当我们在浏览器输入URL https://www.baidu.com 的时候，浏览器发送一个Request请求去获取 https://www.baidu.com 的html文件，服务器把Response文件对象发送回给浏览器。
• 浏览器分析Response中的 HTML，发现其中引用了很多其他文件，比如Images文件，CSS文件，JS文件。 浏览器会自动再次发送Request去获取图片，CSS文件，或者JS文件。
• 当所有的文件都下载成功后，网页会根据HTML语法结构，完整的显示出来了。

请求

请求目标（url）

URL又叫作统一资源定位符，是用于完整地描述Internet上网页和其他资源的地址的一种方法。类似于Windows的文件路径。

一个网址的组成：
1. http://: 这个是协议，也就是HTTP超文本传输协议，也就是网页在网上传输的协议。
2. mail：这个是服务器名，代表着是一个邮箱服务器，所以是mail。
3. 163.com: 这个是域名，是用来定位网站的独一无二的名字。
4. mail.163.com： 这个是网站名，由服务器名+域名组成。
5. /： 这个是根目录，也就是说，通过网站名找到服务器，然后在服务器存放网页的根目录。
6. index.html： 这个是根目录下的网页。
7. http://mail.163.com/index.html: 这个叫做URL，统一资源定位符，全球性地址，用于定位网上
的资源。

请求体（response）

就像打电话一样，HTTP到底和服务器说了什么，才能让服务器返回正确的消息的，其实客户端的请求告诉了服务器这些内容：请求行、请求头部、空行、请求数据

此请求体对象是http协议中的请求体格式，我们平常一般看不到这样的格式内容。此格式在数据包中会有另外的一种数据格式显示。

常用的请求报头

请求头描述了客户端向服务器发送请求时所使用的编码，以及发送内容的长度，告诉服务器自己有没有登陆，采用的什么浏览器访问的等等。

• Accept ：浏览器告诉服务器自己接受什么数据类型，文字，图片等。
• Accept-Charset ：浏览器申明自己接收的字符集。
• Accept-Encoding ：浏览器申明自己接收的编码方法，通常指定压缩方法，是否支持压缩，支持什么压缩方法 (gzip， deflate， br)。
• Accept-Language ：浏览器申明自己接收的语言。
• Authorization ：授权信息，通常出现在对服务器发送的WWW-Authenticate头的应答中。
• Content-Length ：表示请求消息正文的长度。
• origin (常用)：声明请求资源的起始位置
• Connection ：处理完这次请求后，是断开连接还是继续保持连接。
• Cookie (常用)：发送给WEB服务器的Cookie内容，经常用来判断是否登陆了。
• Host (常用)：客户端指定自己想访问的WEB服务器的域名/IP 地址和端口号。
• If-Modified-Since ：客户机通过这个头告诉服务器，资源的缓存时间。只有当所请求的内容在指定的时间后又经过修改才返回它，否则返回304“Not Modified”应答。
• Pragma ：指定“no-cache”值表示服务器必须返回一个刷新后的文档，即使它是代理服务器而且已经有了页面的本地拷贝。
• Referer (常用)：告诉服务器该页面从哪个页面链接的。
• From ：请求发送者的email地址，由一些特殊的Web客户程序使用，浏览器不会用到它。
• User-Agent (常用)：浏览器表明自己的身份 (是哪种浏览器)
• Upgrade-insecure-requests ：申明浏览器支持从 http 请求自动升级为 https 请求，并且在以后发送请求的时候都使用 https。
• UA-Pixels,UA-Color,UA-OS,UA-CPU ：由某些版本的IE浏览器所发送的非标准的请求头，表示屏幕大小、颜色深度、操作系统和CPU类型。`

查看请求体（requests 模块）

在我们用requests模块请求数据的时候携带上诉请求报头的字段信息，将我们的爬虫代码进行伪装。同样的伪装之后我们也可以通过代码查看请求体的字段信息，有如下几种常见的属性：

# 查看请求体中的url地址
response.request.url
# 查看请求体中的请求头信息
response.request.headers
# 查看请求体中的请求方法
response.request.method

响应

• 响应体就是响应的消息体，如果是纯数据就是返回纯数据，如果请求的是HTML页面，那么返回的就是HTML代码，如果是JS就是JS代码，如此之类。

HTTP响应体

• HTTP响应报文也由三部分组成：响应行、响应头、响应体
• HTTP响应报文格式就如下图所示：
  

响应行

• 响应行一般由协议版本、状态码及其描述组成 比如 HTTP/1.1 200 OK
• 其中协议版本HTTP/1.1或者HTTP/1.0，200就是它的状态码，OK则为它的描述。

响应头

• 响应头用于描述服务器的基本信息，以及数据的描述，服务器通过这些数据的描述信息，可以通知客户端如何处理等一会儿它回送的数据。
• 设置HTTP响应头往往和状态码结合起来。例如，有好几个表示“文档位置已经改变”的状态代码都伴随着一个Location头，而401(Unauthorized)状态代码则必须伴随一个WWW-Authenticate头。然而，即使在没有设置特殊含义的状态代码时，指定应答头也是很有用的。应答头可以用来完成：设置Cookie，指定修改日期，指示浏览器按照指定的间隔刷新页面，声明文档的长度以便利用持久HTTP连接等许多其他任务。

常见的响应头字段含义

• Allow ：服务器支持哪些请求方法(如GET、POST等)。
• Content-Encoding ：文档的编码(Encode)方法。只有在解码之后才可以得到Content-Type头指定的内容类型。利用gzip压缩文档能够显著地减少HTML文档的下载时间。
• Content-Length ：表示内容长度。只有当浏览器使用持久HTTP连接时才需要这个数据。
• Content- Type ：表示后面的文档属于什么MIME类型。Servlet默认为text/plain，但通常需要显式地指定为text/html。由于经常要设置 Content-Type，因此HttpServletResponse提供了一个专用的方法setContentType。
• Date ：当前的GMT时间，例如，Date:Mon，31Dec200104:25:57GMT。Date描述的时间表示世界标准时，换算成本地时间，需要知道用户所在的时区。你可以用setDateHeader来设置这个头以避免转换时间格式的麻烦。
• Expires ：告诉浏览器把回送的资源缓存多长时间，-1或0则是不缓存。
• Last-Modified ：文档的最后改动时间。客户可以通过If-Modified-Since请求头提供一个日期，该请求将被视为一个条件GET，只有改动时间迟于指定时间的文档才会返回，否则返回一个304(Not Modified)状态。Last-Modified也可用setDateHeader方法来设置。
• Location ：这个头配合302状态码使用，用于重定向接收者到一个新 url 地址。表示客户应当到哪里去提取文档。Location通常不是直接设置的，而是通过HttpServletResponse的sendRedirect方法，该方法同时设置状态代码为302。
• Refresh ：告诉浏览器隔多久刷新一次，以秒计。
• Server ：服务器通过这个头告诉浏览器服务器的类型。Server响应头包含处理请求的原始服务器的软件信息。此域能包含多个产品标识和注释，产品标识一般按照重要性排序。Servlet一般不设置这个值，而是由Web服务器自己设置。
• Set-Cookie ：设置和页面关联的Cookie。Servlet不应使用response.setHeader(“Set-Cookie”， …)，而是应使用HttpServletResponse提供的专用方法addCookie。
• Transfer-Encoding ：告诉浏览器数据的传送格式。
• WWW-Authenticate ：客户应该在Authorization头中提供什么类型的授权信息?在包含401(Unauthorized)状态行的应答中这个头是必需的。
• setContentType ：设置Content-Type头。大多数Servlet都要用到这个方法。
• setContentLength ：设置Content-Length头。对于支持持久HTTP连接的浏览器来说，这个函数是很有用的。
• addCookie ：设置一个Cookie(Servlet API中没有setCookie方法，因为应答往往包含多个Set-Cookie头)。

响应内容

• 响应内容指的就是根据链接地址请求所返回的数据，常见的包括html、css、js、图片、视频、音频等响应的数据。

常见的响应方法

# 获取响应体文本数据
response.text
# 获取响应体二进制数据
response.content
# 获取响应体json数据
response.json()
# 获取响应体响应头信息
response.headers
# 设置响应体的编码
response.encoding
# 自动识别响应体的编码
response.apparent_encoding
# 获取响应体的cookies信息,获取到的是cookiejar对象
response.cookies
# 获取响应体的url地址
response.url
# 获取响应体的状态码
response.status_code

响应状态码

响应状态码可以很方便的查看我们的响应状态，我们可以检测响应状态码：

• 200 ：请求正常，服务器正常的返回数据。
• 301 ：永久重定向。比如在访问www.jingdong.com 的时候会重定向到www.jd.com。
• 302 ：临时重定向。比如在访问一个需要登录的页面的时候，而此时没有登录，那么就会重定向到登录页面。
• 400 ：请求的url 在服务器上找不到。换句话说就是请求url 错误。
• 403 ：服务器拒绝访问，权限不够。
• 500 ：服务器内部错误。可能是服务器出现bug 了。

import requests
response = requests.get('http://www.pcbaby.com.cn/')
print(response.status_code)
"""
100 - 200   标识服务器已经成功接受到了请求
200 - 299   表示请求成功  200  206  207
300 - 399   重定向(你请求的地址已经移动到了另外一个位置)  302
400 - 499   客户端请求的地址在服务器找不到数据<地址错了> 404 405
500 - 599   服务器错误, 是服务器问题  501  504
"""