本文共 1224 字，大约阅读时间需要 4 分钟。

网络爬虫是什么？它是模拟浏览器发送网络请求并接收响应的程序，按特定规则抓取互联网信息。简单来说，只要浏览器能做的事情，爬虫都能做。

网络爬虫有哪些分类呢？主要有通用爬虫和聚焦爬虫。通用爬虫通常用于搜索引擎，而聚焦爬虫则专门针对特定网站抓取信息。

网络爬虫的工作流程包括：向起始URL发送请求并获取响应，对响应内容提取信息，解析中提取新的URL继续抓取，以及提取数据保存。这些步骤构成了爬虫的基础操作流程。

robots协议又称为robots.txt，它是网站为搜索引擎设置的ACEL，这些规则可以限制爬虫访问网站的某些页面。已知淘宝和其他大型平台都有自己的robots协议。

HTTP和HTTPS又称为超文本传输协议和安全超文本传输协议。HTTP默认端口80，HTTPS默认端口443。HTML和CSS等资源通常通过HTTP传输，而HTTPS通过SSL加密，适用于安全敏感的数据传输。

HTTP请求流程开始于浏览器通过DNS获取目标IP，然后向服务器发起HTTP请求。在响应中，浏览器会发现多个URL（如图片、文件等），根据这些URL继续发起子请求。这整个过程称为浏览器渲染。

URL地址格式由几个部分组成：scheme://host[:port]/path/…/[?query-string][#anchor]。其中scheme是协议（如http、https），host是服务器IP或域名，port是端口，path是路径，query-string是查询参数，anchor是页内跳转锚点。

在HTTP协议中，常见的请求方式包括GET、HEAD、POST、PUT、DELETE、CONNECT、OPTIONS和TRACE。每种方法的诚异性和适用场景不一。例如，GET用于获取数据，POST用于提交表单或文件上传，HEAD用于无响应内容获取标题信息。

HTTP请求添加常见的请求头，用于传递额外信息。例如，Cookie用于身份验证，User-Agent表示客户端类型，Referer记录跳转来源，Host指定访问服务器和端口。

HTTP响应格式包括状态行、消息报头、空行和响应正文。状态行开始于三位数字，如200表示成功，404表示资源不存在。常见的请求头如Location、Set-Cookie、Content-Type和Content-Length提供了响应的详细信息。

HTTP状态码分类为5种类型（1**、2**、3**、4**、5**），每种分类描述不同类错误或成功情况。例如，404错误提示资源不存在，500错误指向服务器内部错误。

HTTPS的作用是对数据进行加密，防止中间人攻击。它比HTTP安全但资源消耗更高。今天，HTTPS已接近主流，越来越多应用要求HTTPS支持。

HTTP与HTTPS的优缺点明显。HTTP性能优越但安全性差，HTTPS相反高安全性但资源占用大。当前，HTTPS已成为主流，现代应用普遍要求HTTPS接口支持。

转载地址：http://bhhkk.baihongyu.com/