爬虫虽然比较简单，但不同需求，所要使用的爬虫不同，对于一些难度大的项目，也是要用一些作用更高的爬虫，因为需要突破网站的各种限制，这样才能更好的完成采集任务。

　　1、理解HTTP请求

　　HTTP请求是基于TCP/IP协议的应用层协议，请求方法常用的有GET、HEAD、POST。默认的请求方式为GET。所以一开始我们接触爬虫的时候会写上一段这样子的代码：

　　import requests

　　resp = requests.get('http://www.baidu.com')

　　其中就是使用了HTTP的GET请求。

　　这样一个小小的请求在这里之所以看似简单，是因为在requests库的背后已经将很多细节都帮封装好了。

　　GET用于信息获取，GET请求报文示例：

　　可以看到第一行已经包括了请求方法，请求路径，协议的版本。

　　而其他行如Host、User-Agent、Connection等则表示请求时的一些条件：

　　Host 表示请求的域名

　　User-Agent 表示你所用的浏览器(这个在写爬虫时就可以伪造一番了)

　　Connection 表示要保持连接状态，及TCP/IP协议的连接状态

　　还有其他请求条件如Cookie，Referer等等这里不再一一列举，读者可自行百度。

　　不仅有GET请求，还有POST也很常用到。

　　POST请求一般用于提交数据较多，需要较强安全性的数据。使用场景一般是登陆，上传文件之类的操作。

　　POST请求的请求头和GET类似的，唯一比较不一样的是数据提交方式，比如登陆时要提交邮箱和密码：

　　GET请求的数据会附在URL之后，以?分割URL和传输数据，多个参数用&连接；例如：/login.php?email=123@qq.com&password=123

　　POST请求把提交的数据放置在是HTTP包的包体中。邮箱和密码就是实际的传输数据被封装在请求体中，因此，GET提交的数据会在地址栏中显示出来，而POST提交，地址栏不会改变。

　　使用POST的代码可以如下：

　　这样就把邮箱密码提交上去了。

　　除了请求头，还有HTTP的响应头，响应头会包含一些服务器的时间，类型，还有相应内容的长度等等。主要被用到的还是响应头中的状态码。状态码有以下几种类型：

　　2xx：成功--表示请求已被成功接收、理解、接受

　　3xx：重定向--要完成请求必须进行更进一步的操作

　　4xx：客户端错误--请求有语法错误或请求无法实现

　　5xx：服务器端错误--服务器未能实现合法的请求

　　常见状态代码、状态描述、说明：

　　这个状态码我们写程序的时候可以怎么利用呢？

　　这个状态码可以判断我们在程序的请求是否正常响应，方便程序排除错误。还有更多的响应信息，越是了解对写爬虫越是方便快捷。

　　2、浏览器上所看见的页面基本上都是由js脚本处理过的数据，与程序所得到的数据有所偏差。

　　在谷歌浏览器中，右键有个检查选项可以定位查看到当前的html代码，很多人认为这也是我们程序中看到的html代码。

　　这也就导致了一些新手朋友在学习时常常碰壁，以为是自己的selector写错，其实主要原因还在于标题所述的那样，你所看到的代码一个被js处理过，另一个是服务器最初响应给我们的数据。

　　所以，如果想查看网页的最初的响应数据，可以右键查看源代码，这个源代码也是没有被js加工处理过的，这时就可以利用这个源代码进行调试写selector了。

　　3、如何巧用谷歌浏览器的开发者工具进行调试。

　　谷歌的开发者工具不仅是适用开发人员，而且对我们写爬虫也非常有益处。

　　按F12可以快速打开开发者工具，可以看到有Elements、Console、Sources、Network等等。

　　其中Elements里面就是js加工处理过的代码，我们可以利用它来查找我们所要的标签中是否有价值的class或者id，如果有的话可以很快写出selector。

　　Sources里存着网页中如js，css大大小小的文件等等。

　　Network在抓取异步请求的数据时非常好用，Network中会包含很多异步请求，一般我们在刚打开的时候是空的，这时刷新一下就会看到很多请求，里面还可以看到请求头、响应头等的信息，非常方便。