网络爬虫的第一步是爬取网页（获取源代码），爬取网页要向web服务器发送构造的http请求，获得所需数据的http响应。
爬虫基础
- HTTP的基本原理
- HTTP请求
- (1)请求的网站（Request URL）
- (2)请求方法
- (3)请求头Request Headers
- (4)请求体
- (5)HTTP响应
- 响应状态码
- 响应头
HTTP的基本原理
在浏览器中输入URL，按回车键或点击搜索按钮，这是浏览器向Web服务器发送一个HTTP请求，Web服务器接收到这个请求后进行解析和处理，然后返回给浏览器对应的HTTP响应,之后浏览器对HTTP响应进行解析，显示网页内容。
打开Firefox浏览器，按F12或点击右键，选择“检查”，打开开发者工具窗口，选择“网络”。在搜索框中输入https://www.runoob.com，回车之后查看记录表。
进入菜鸟教程网页，选择点击记录www.runoob.com选项，然后选择右侧的请求头。请求头显示对的是HTTP请求和响应的详细信息。
HTTP请求
分为以下四部分内容：
(1)请求的网站（Request URL）
URL可以唯一确定请求资源。例如：https://www.runoob.com/
(2)请求方法
请求方法：HEAD、PUT、DELETE、CONNECT、OPTIONS、TRACE、GET、POST等，其中GET和POST最常用。
GET方法：请求指定的网页信息，并返回网页内容，提交的数据最多只有1024字节。
POST方法：向指定资源提交数据并进行请求处理（提交表单、上传文件），数据包含在请求体，提交没有字节限制。
(3)请求头Request Headers
以下是常见请求头和说明
Accept::指定客户端可识别的内容类型；
Accept-Encoding:指定客户端可识别的内容编码；
Accept-Language:指定客户端可识别的语言类型；
Cookie:网站为识别用户身份进行会话跟踪而存储在用户的本地的数据，主要功能是维持当前访问会话；
Host:指定请求的服务器的域名和端口号；
User-Agent:使用服务器识别客户端使用的操作系统及版本、浏览器及版本等信息，实现爬虫时加上此信息，可以伪装为浏览器；
Content-Type:请求的媒体类型信息；
Content-Length:请求的内容长度；
Referer:包含一个URL，用户以该URL代表的页面出发访问当前页面。
Content-Type和Post的关系：
application/x-www-form-urlencoded:表单数据
multipart/form-data:表单文件
application/json:序列化JSON数据
text/xml:XML数据
(4)请求体
GET的请求体为空，Post的请求体为表单数据
(5)HTTP响应
响应状态码
分为三部分内容：
第一个：Response Status Code （响应状态码）：服务器的响应状态
以下是常见的响应状态码 、对应的英文名称和说明
100 Continue 服务器已收到请求的一部分，正在等待其余部分，应继续提出请求；
200 OK 服务器已成功处理了请求；
302 Move Temporarily 服务器要求客户端重新发送一个请求；
304 Not Modified 此请求返回的网页未修改，继续使用上次的资源；
404 Not Found 服务器请求不到的网页；
500 Internal Server Error 服务器遇到错误，无法完成请求。
响应头
以下是常见的响应头及其说明
Content-Encoding:Web服务器支持的编码类型；
Content-Language:响应体的语言；
Content-Length:响应体的长度；
Content-Type:返回内容的媒体类型；
Date:原始服务器消息发出的时间；
Expires:响应过期的日期和时间；
Last-Modified:请求资源的最后修改时间；
Set-Cookie:设置HTTPCookie;
Location:重定向接收到请求的URL位置。
