首页 > 代码库 > Python爬虫预备知识
Python爬虫预备知识
1.http编程知识
- http中client 和server的工作模式
client和server建立可靠的tcp链接(在HTTP1.1中这个链接是长时间的，超时断开策略)
client通过socket与server通信，发送request并接受response
http协议是无状态的，是指每一条的请求是相互独立的，client和server都不会记录客户的行为。
client通过在HTTP请求中添加headers告诉server 他请求的内容，可以接受的格式
- 常用的请求方式有get和post
Get：client请求一个文件
Post：client发送数据让server处理
如上图，输入http://www.baidu.com/
得到的request headers是：
Get ：请求方式 / 表示根目录 HTTP/1.1表示采用的协议版本
HOST：请求的主机
Connection：保持长连接，
Cache-control：缓存相关
User-agent：告诉server我client的身份，包括浏览器版本等
Accept：支持的内容类型，先后次序表示浏览器依次加载的先后顺序
Accept-encoding：允许服务器以一下几种的压缩的格式对传输内容进行压缩
Accept-language：展示返回信息所采用的语言
Accept-charset：浏览器支持的字符编码集
Cookie：缓存相关
参考博客：
http://technique-digest.iteye.com/blog/1174581
http://www.cnblogs.com/ShaYeBlog/archive/2012/09/11/2680485.html
http://blog.csdn.net/bingjing12345/article/details/9819731
2. urllib2 相关内容
class urllib2.Request(url[, data][, headers][, origin_req_host][, unverifiable])
URL：应该是一个字符串
Data：是一个经过urllib.urlencode()编码的编码后字符串
Headers：用来哄骗user_agent，把来自script访问伪装成浏览器的访问。
示例代码：
import urllib import urllib2 url = ‘http://www.someserver.com/cgi-bin/register.cgi‘ user_agent = ‘Mozilla/4.0 (compatible; MSIE 5.5; Windows NT)‘ values = {‘name‘ : ‘WHY‘, ‘location‘ : ‘SDU‘, ‘language‘ : ‘Python‘ } headers = { ‘User-Agent‘ : user_agent } data = http://www.mamicode.com/urllib.urlencode(values) req = urllib2.Request(url, data, headers) response = urllib2.urlopen(req) the_page = response.read() |
参考博客：http://blog.csdn.net/pleasecallmewhy/article/details/8923067
3. 把如下代码保存成html格式，用相应的浏览器打开，得到浏览器的版本信息
<html><head></head><body><script language="javascript">javascript:alert(navigator.userAgent); </script></body></html> |
搜狗浏览器的user_agent
百度浏览器的user_agent
Google chorme的user_agent
Python爬虫预备知识