倚天剑第一式——爬虫基础

博主简介：博主是一个大二学生，主攻人工智能领域研究。感谢缘分让我们在CSDN相遇，博主致力于在这里分享关于人工智能，C++，python，爬虫等方面的知识分享。如果有需要的小伙伴，可以关注博主，博主会继续更新的，如果有错误之处，大家可以指正。

专栏简介：本专栏致力于研究python爬虫的实战，涉及了所有的爬虫基础知识，以及爬虫在人工智能方面的应用。文章增加了JavaScript逆向，网站加密和混淆技术，AST还原混淆代码，WebAssembly，APP自动化爬取，Android逆向等相关技术。同时，为了迎合云原生发展，同时也增加了基于Kubernetes，Docker，Prometheus，Grafana等云原生技术的爬虫管理和运维解决方案。

订阅专栏    

博主分享：给大家分享一句我很喜欢的话：“每天多一点努力，不为别的，值为日后，能够多一些选择，选择舒心的日子，选择自己喜欢的人！”

爬虫基础

在写爬虫之前，我们需要先了解一些基础知识，如HTTP原理，网页的基础知识，爬虫的基本原理，Cookie的基本原理，多进程和多线程的基本原理等，了解这些有助于帮助我们更好的理解和编写网络爬虫相关的程序。

HTTP基本原理

URI和URL

URI的全称为(Uniform Resourse Identifier),即统一资源标志符；URL的全称是(Uniform Resourse Locator),即统一资源定位符。简而言之，就是我们在访问一个网站的时候，点开网站的链接，这个链接就是URL或URI。

根据图中所展示的URI和URL的关系，URL是URI的子集，这其中还包括了一个URN，URN全称  (Uniform Resourse Name），根据名字我们就可以知道，这只是一个资源命名，他不为资源做任何定位处理，你可以理解为一本书的编号，可以唯一标识这本书，但是却不能告诉我们怎么去买到它。在目前的互联网中，URN用的很少，几乎所有都是URI和URL，所以对于一般的网页链接，我们都可以称之为URI或URL，一般称为URL（博主习惯）。但是URL也有他的格式:

其中括号所代表的是非必要部分（https:baidu.com）。这里就简单的解释必要的部分的含义：

（1）.schame：协议，一般是https，除了这个，其他常用的协议由http，ftp等，另外审查么也被称为protocol，二者都是代表协议的意思。

（2）.hostname：主机地址，可以是域名或IP地址，

（3）.parameters：参数，用来指定访问某个资源时的附加信息，但是现在用的很少，所以很多人都将parameters和query混用。

HTTP和HTTPS

爬虫中爬取的网页一般都是基于http或https协议的，因此我们的所有示例均是以以http或https协议为基础的网页链接。

HTTP的全称是Hypertext Transfer Protocol，中文名为超文本传输协议，其作用是把超文本数据从网络传输到本地浏览器，能够保证高效而准确的传输超文本文档。HTTP是由万维网协会（Word Wide Web Consortium）和Internet工作小组IEFT（Internet Engineering Task Force）合作制定的规范。

HTTPS的全称是Hypertext Transfer Protocol Secure Socket Layer，是以安全为目标的HTTP通道，简单来讲就是HTTP的安全版，即在HTTP下加入SSL层，简称HTTPS。

注：HTTP和HTTPS协议都属于计算机网络中的应用层协议，其下层是基于TCP协议实现的，TCP协议属于计算机网络中的传输层协议。本专栏的目的是为了讲解爬虫知识，因此这里就不对TCP，IP等类容进行深入讲解，如果感兴趣的话，博主推荐两本书《计算机网络》和《图解HTTP》。

HTTP请求过程

在浏览器地址栏中输入一个URL，按下回车，便可观察到对应的页面信息。实际上，这个过程是浏览器先向网站所在的服务为器发送一个请求，网站服务器接收到请求后对其进行处理和解析，然后返回对应的相应，接着传回浏览器。浏览器再对传回的响应包中的页面源代码进行解析。

 为了更直观的说明上述情况，这里用Chorme浏览器开发者模式下的NetWork监听组件来做一下演示。

打开chorme浏览器，访问百度，这时候单击鼠标右键并选择“检查”（或者按F12）。如图：

右边的显示就是Network组件，我们没刷新一次，就会看到Network中多几个条目，其中一个条目就代表一次发送请求和接收响应的过程。

现在，我们来分析一下各列的意义：

（1）第一列Name：请求的名称，一般会用URL的最后一部分类容作为名称。

（2）第二列Status：响应的状态码。这里显示200，代表响应正常。通过状态码，我们就可以判断发送请求之后是否得到了正常的响应。

（3）第三列Protocol：请求的协议类型。h1代表HTTP1.1版本，h2表示HTTP2版本。

（4）第四列Type：请求的文档类型，这里显示的是text，表示是text类型，document则代表HTML文档。

（5）第五列Initiator：请球源。用来标记请求是由哪个对象或进程发起的。

（6）第六列Size：从服务器下载的文件或请求的资源大小。如果资源是从缓存中取得的，则该列显示from cache。

（7）第七列Time：从发起到获取响应所花费的时间。

（8）第八列Waterfall：网络请求的可视化瀑布流。 

上面展示的图示和解释有所差别，这是因为博主只是点开了一个搜索网页，大家点开了子网页，就会出现完整的Network组件监听：

 单击条目，就可以获得具体信息：

我们后续的文章中在进行爬虫的时候，就会根据这其中的信息进行操作。

首先General部分，其中Requests URL为请求的URL，Requests Method为请求的方法，Status Code为响应状态码，Remote Address 为远程服务器的地址和端口，Refer热热 Policy为Referrer判别策略。 

请求

请求，英文为Request，由客户端发往服务器，分为四部分内容：请求方法（Request Method），请求的网址（Request URL），请求头（Request Headers），请求体（Request Body）。

⚪请求方法：

在浏览器中输入一个网址URL，点击回车，这个时候一般是发送GET请求，请求的参数会包含到URL中。POST请求一般则是在提交表单的时候，例如，你在登陆的时候，填好密码，用户名，点击登陆的时候，这时候就是POST请求。

二者的区别：

①GET请求的参数包含在URL中，数据可以在URL中看到，POST请求的URL中则不会包含这些数据，数据都是以表单形式传输，会包含在请求体中。

②GET请求提交的数据最多为1024字节，而POST则没有限制。

当然，除了这些的请求方式，还有其他的请求方式，例如HEAD，PUT，DELETE,CONNECT,OPTIONS,TRACE等。

请求方法

方法	描述
GET	请求页面，并返回页面内容
POST	大多数用于提交表格或上传文件，数据包含在请求体中
PUT	用客户端传向服务器的数据取代指定文档中的内容
DELETE	请求服务器删除指定的页面
CONNECT	把服务器当作跳板，让服务器当作客户端访问其他页面
OPTIONS	允许客户端查看服务器的性能
TRACE	回显服务器收到的请求，主要用于测试和诊断
HEAD	和GET请求相似，但是返回的响应没有具体的内容，用于获取报头

 请求的网址

①请求头

用来说明服务器要使用的附加信息。

（1）Accept：请求报头域，用于指定客户端可以就收哪些类型的信息。

（2）Accept-Language：用于指定客户端可以接受的语言类型。

（3）Accept-Encoding：用于指定客户端可以使用的编码类型

（4）Host：用于指定请求的客户端的IP和端口号，其内容为请求URL的原始服务器或网关的位置。

（5）Cookie：也常用复数形式Cookies，这是网站为了辨别用户，进行会话跟踪而存储在用户本地的数据。

（6）referer：用于标识请求是从哪个页面发来的，服务器可以根据这一信息并作出相应的处理，如做来源统计，防盗链处理等。

（7）User-Agent：简称UA，这是一个特殊的字符串头，可以使服务器识别客户端使用的操作系统及版本，浏览器版本等信息。做爬虫时可以加上此信息，可以伪装成浏览器，如果不加，很容易被识别出来。

（8）Content-Type：也叫互联网媒体类型（Internet Media Type）或者MIME类型，在HTTP协议消息头中，它用来表示具体请求中的媒体类型信息。例如，text/html代表html格式，image/gif代表GIF图片，application代表JSON类型。

②请求体

请求体一般承载的内容为POST请求中的表单数据，对于GET请求，为空。

响应

响应，即Response，由服务器返回给客户端，可以分为三部分：响应状态码（Response Status Code），响应头（Response Headers）和响应体（Response Body）。

响应状态码表示服务器响应的状态，200表示正常，404表示页面没有找到，500代表服务器内部发生错误。

①响应头

响应头，包含了服务器对请求的应答信息，如Content-Type，Server，Set-Cookie等。这里就不过多介绍了。

②响应体

响应体是最为重要的，响应的所有正文数据都存在响应体中，例如，请求网页时，响应体就是HTML代码。

Web网页基础

我们用浏览器访问不同的页面的时候，所呈现的页面都有所不同，你有没有想过为什么会这样？本节我们就了解一下网页的组成，结构和节点等内容。由于博主不是主攻前端，所以这里只能简单的介绍。

网页的组成

网页可以分为三大部分——HTML，CSS，javaScript。如果把网页比作一个人，那么HTML就相当于骨架，CSS为皮肤，JavaScript相当于肌肉。这三者结合起来就能杏形成网页。‘

HTML

HTML（Hypertext Markup Language）中文翻译为超文本标记语言。但是一般称为HTML。

HTML是一种用来描述网页的语言。网页包括图片，文字，视频，按钮等复杂元素。网页通过不同类型的标签来表示不同类型的元素，如用img标签表示图片，用video表示视频，用p标签表示段落，这些标签之间的布局常由布局标签div嵌套组合而成。各种标签通过不同的排列和嵌套形成最终的网页框架。

打开浏览器开发者工具，点击Elements，这里显示就是HTML代码。

CSS

HTML定义了网页的骨架，但是只有HTML的页面布局并不完美，为了让网页看起来好看，就可以用CSS。

CSS，全称为Cascading Style Sheets，即层叠样式表。“层叠”是指当HTML中引用多个样式文件，并且样式发生重叠的时候，浏览器能够按照层叠顺序来处理这些样式。“样式”是指网页中文字大小，颜色，排列，间距等格式。CSS是目前唯一的网页页面排版样式标准。

style中的就是CSS样式。

JavaScript

javaScript简称js，是一种脚本语言，HTML和CSS组合使用，提供给用户的只是一种静态信息，缺乏交互性。我们在网页中还可以看到交互和动画效果，例如进度条，提示框，轮播图等。这就是JavaScript的功能。

JavaScript一般也是以单独的文件来运行加载，后缀为.js，在HTML中通过script标签即可引入：

<script src='jquery-2.1.0.js></script>

这里的标签格式要记住，后面的爬虫会用到。

网页的具体知识这里就不做介绍，感兴趣的小伙伴可以去搜索相关知识。

爬虫的基本原理

我们把互联网比作一个大的蜘蛛网，那么爬虫就是蜘蛛网上的蜘蛛，没爬寻一个节点，就相当于访问了一个页面，获取了信息。顺着节点连线连续爬行，到达下一个节点，意味着爬虫可以通过网页之间的链接关系继续获取后续的网页，当整个网页涉及的页面被爬取下来，数据也就保存下来了。

简单来讲，爬虫就是获取网页并提取和保存信息的自动化程序。

1.获取网页

2.提取信息

3.保存数据

4.自动化程序 

代理的基本概念

由于爬虫的访问频率很快，现在的服务器都会由反爬虫机制，一旦你访问频率过快，就会被锁IP，也会发生报错。于是，python推出了IP代理。

基本原理

代理实质就是代理服务器。我们不是用IP代理爬虫的时候，我们会向服务器发送请求，服务器返回响应。设置服务器代理，就相当于在客户端和服务器之间搭一座桥，此时，我们发送请求的时候先向伪代理器发送请求，伪代理器再将请求发送到网页服务器，同理，返回的响应也要经过伪代理器。而这个过程中，Web服务器识别的IP不再是客户端的IP，成功实现了IP伪装，这就是代理的基本原理。

爬虫代理

如果我们平凡的去访问一个网页，那么此网站就会让我们输入验证码或者锁IP，爬虫就不能继续正常运行，所以，我们就需要用代理隐藏真实的IP，这就叫做爬虫代理，也叫IP代理，我习惯叫做IP代理。

代理分类

对代理进行分类时，可以根据协议，也可以根据代理的匿名程度。

①根据协议区分

1.FTP代理服务器：主要用于访问FTP服务器，一般有上传，下载，以及缓存功能。端口一般为21，2121等。

2.HTTP代理服务：主要用于访问网页，一般有内容过滤和缓存功能，端口一般为80，8080，3128等。

3.SSL/TLS代理：主要用于访问加密网站，一般有SSL或TLS加密功能（最高支持128位加密强度），端口一般为443.

4.RTSP代理：主要用于Realplayer访问Real流媒体服务器，一般有缓存功能，端口一般为554.

5.Telnet代理：主要用于Telnet远程控制（黑客入倾计算机时常用于身份隐藏），端口一般为23.

6.POP3/SMTP代理：主要用于以POP3/SMTP方式收发邮件，一般有缓存功能，端口为110/25.

7.SOCKS代理：只是单纯的传递数据包，不关心具体协议和用法，所以速度很快，一般有缓存功能能，端口一般为1080.SOCKS代理协议又分为SOCKS4和SOCKS5，SOCKS4协议只支持TCP，SOCLKS5则支持TCP和UDP，还支持各种身份验证机制，服务器端域名解析等。简单来说，SOCKS4能做到的SOCKS5能做到，SOCKS5能做到的SOCKS4不能做到。

②.根据匿名程度分

1.高度匿名代理：高度匿名代理会将数据包原封不动的转发，在服务端看来似乎真的是一个普通的客户端在访问，记录的IP则是代理服务器的IP。

2.普通匿名代理：普通匿名代理会对数据包进行一些改动，服务端可能会发现正在访问自己的是一个代理IP，并且有一定的概率去追查客户端真实的IP。这里的代理服务器通常会加入的HTTP头HTTP_VIA和HTTP_X_FORWARDED_FOR.

3.透明代理：透明代理不但改动了数据包，还告诉了服务器客户端真实的IP，这种技术可以提高浏览速度，和用内容过滤提高安全性，其他的没啥用处。

4.间谍代理：间谍代理是组织或个人创建的代理服务器，用于记录用户传输的数据，然后对记录的数据进行研究，监控等。 

爬虫中还涉及了多线程和多进程的知识，他们我已经在前面的文章中介绍过了，这里就不过多解释了，后面实际操作中会进行介绍。

总结

本篇文章作为本专栏的第一篇文章，目的是了解一下爬虫的相关知识，为后面的爬虫学习打好基础。由于博主对前端知识不是很了解，文章中涉及的网页知识不够深入，如果有错误，敬请各位小伙伴指出。

开学了，预祝各位同学学习进步，生活安康，万事如意！