diff --git "a/Day66-75/01.\347\275\221\347\273\234\347\210\254\350\231\253\345\222\214\347\233\270\345\205\263\345\267\245\345\205\267.md" "b/Day66-75/01.\347\275\221\347\273\234\347\210\254\350\231\253\345\222\214\347\233\270\345\205\263\345\267\245\345\205\267.md" index e4b7fb292cc34bbea17fb6223d56ddf6eeba4fc1..3188562442ac3df0f3ed2cec5794099024875470 100644 --- "a/Day66-75/01.\347\275\221\347\273\234\347\210\254\350\231\253\345\222\214\347\233\270\345\205\263\345\267\245\345\205\267.md" +++ "b/Day66-75/01.\347\275\221\347\273\234\347\210\254\350\231\253\345\222\214\347\233\270\345\205\263\345\267\245\345\205\267.md" @@ -89,7 +89,17 @@ Disallow: / #### HTTP协议 +在开始讲解爬虫之前,我们稍微对HTTP(超文本传输协议)做一些回顾,因为我们在网页上看到的内容通常是浏览器执行HTML语言得到的结果,而HTTP就是传输HTML数据的协议。HTTP是构建于TCP(传输控制协议)之上应用级协议,它利用了TCP提供的可靠的传输服务实现了Web应用中的数据交换。按照维基百科上的介绍,设计HTTP最初的目的是为了提供一种发布和接收[HTML](https://zh.wikipedia.org/wiki/HTML)页面的方法,也就是说这个协议是浏览器和Web服务器之间传输的数据的载体。关于这个协议的详细信息以及目前的发展状况,大家可以阅读阮一峰老师的[《HTTP 协议入门》](http://www.ruanyifeng.com/blog/2016/08/http.html)、[《互联网协议入门》](http://www.ruanyifeng.com/blog/2012/05/internet_protocol_suite_part_i.html)系列以及[《图解HTTPS协议》](http://www.ruanyifeng.com/blog/2014/09/illustration-ssl.html)进行了解,下图是我在2009年9月10日凌晨4点在四川省网络通信技术重点实验室用开源协议分析工具Ethereal(抓包工具WireShark的前身)截取的访问百度首页时的HTTP请求和响应的报文(协议数据),由于Ethereal截取的是经过网络适配器的数据,因此可以清晰的看到从物理链路层到应用层的协议数据。 +HTTP请求(请求行+请求头+空行+[消息体]): + +![](/Users/Hao/Desktop/Python-100-Days/Day41-55/res/http-request.png) + +HTTP响应(响应行+响应头+空行+消息体): + +![](/Users/Hao/Desktop/Python-100-Days/Day41-55/res/http-response.png) + +> 说明:但愿这两张如同泛黄的照片般的截图帮助你大概的了解到HTTP是一个怎样的协议。 #### 相关工具 @@ -148,6 +158,19 @@ Disallow: / 6. robotparser:解析robots.txt的工具 + ```Python + >>> from urllib import robotparser + >>> parser = robotparser.RobotFileParser() + >>> parser.set_url('https://www.taobao.com/robots.txt') + >>> parser.read() + >>> parser.can_fetch('Hellokitty', 'http://www.taobao.com/article') + False + >>> parser.can_fetch('Baiduspider', 'http://www.taobao.com/article') + True + >>> parser.can_fetch('Baiduspider', 'http://www.taobao.com/product') + False + ``` + ### 一个简单的爬虫 构造一个爬虫一般分为数据采集、数据处理和数据存储三个部分的内容。 diff --git a/Day66-75/res/http-request.png b/Day66-75/res/http-request.png new file mode 100644 index 0000000000000000000000000000000000000000..aca9287cdf8821ac8a87b198239cb606a3019562 Binary files /dev/null and b/Day66-75/res/http-request.png differ diff --git a/Day66-75/res/http-response.png b/Day66-75/res/http-response.png new file mode 100644 index 0000000000000000000000000000000000000000..f2b8ae3c19ac0140e92d50303c3c66c0541dccc8 Binary files /dev/null and b/Day66-75/res/http-response.png differ