爬虫：请求网站并提取数据的自动化程序
    流程：发送请求 获取响应 解析内容 存储数据

    HTTP协议：全称是HyperText Transfer Protocol，中文意思是超文本传输协议，是一种发布和接收HTML页面的方法。服务器端口号是80端口。
    HTTPS协议：是HTTP协议的加密版本，在HTTP下加入了SSL层。服务器端口号是443端口。
    在浏览器中发送一个http请求的过程：
    1.当用户在浏览器的地址栏中输入一个URL并按回车键之后，浏览器会向HTTP服务器发送HTTP请求。HTTP请求主要分为“Get”和“Post”两种方法。
    2.当我们在浏览器输入URL的时候，浏览器发送一个Request请求去获取URL的html文件，服务器把Response文件对象发送回给浏览器。
    3.浏览器分析Response中的 HTML，发现其中引用了很多其他文件，比如Images文件，CSS文件，JS文件。 浏览器会自动再次发送Request去获取图片，CSS文件，或者JS文件。
    4.当所有的文件都下载成功后，网页会根据HTML语法结构，完整的显示出来了。
    URL
    URL是Uniform Resource Locator的简写，统一资源定位符。 一个URL由以下几部分组成： scheme://host:port/path/?query-string=xxx#anchor

    l scheme：代表的是访问的协议，一般为http或者https以及ftp等。
    l host：主机名，域名，比如www.baidu.com。
    l port：端口号。当你访问一个网站的时候，浏览器默认使用80端口。
    l path：查找路径。比如：www.jianshu.com/trending/now，后面的trending/now就是path。
    l query-string：查询字符串，比如：www.baidu.com/s?wd=python，后面的wd=python就是查询字符串。
    l anchor：锚点，后台一般不用管，前端用来做页面定位的。
    在浏览器中请求一个url，浏览器会对这个url进行一个编码。除英文字母，数字和部分符号外，其他的全部使用百分号+十六进制码值进行编码。


    在Http协议中，定义了八种请求方法。
    1) options：返回服务器针对特定资源所支持的HTTP请求方法。也可以利用向Web服务器发送’‘的请求来测试服务器的功能性。
    2) head：向服务器索要与GET请求相一致的响应，只不过响应体将不会被返回。这一方法可以在不必传输整个响应内容的情况下，就可以获取包含在响应消息头中的元信息。
    3) get：一般情况下，只从服务器获取数据下来，并不会对服务器资源产生任何影响的时候会使用get请求。
    4) post：向服务器发送数据（登录）、上传文件等，会对服务器资源产生影响的时候会使用post请求。
    5) put：向指定资源位置上传其最新内容。
    6) dellete：请求服务器删除Request-URI所标识的资源。
    7) trace：回显服务器收到的请求，主要用于测试或诊断。
    8) connect：HTTP/1.1协议中预留给能够将连接改为管道方式的代理服务器。
    请求头参数
    在http协议中，向服务器发送一个请求，数据分为三部分：第一个是把数据放在url中，第二个是把数据放在body中（在post请求中），第三个就是把数据放在head中。这里介绍在网络爬虫中经常会用到的一些请求头参数：

    l User-Agent：浏览器名称。这个在网络爬虫中经常会被使用到。请求一个网页的时候，服务器通过这个参数就可以知道这个请求是由哪种浏览器发送的。如果我们是通过爬虫发送请求，那么我们的User-Agent就是Python，这对于那些有反爬虫机制的网站来说，可以轻易的判断你这个请求是爬虫。因此我们要经常设置这个值为一些浏览器的值，来伪装我们的爬虫。
    l Referer：表明当前这个请求是从哪个url过来的。这个一般也可以用来做反爬虫技术。如果不是从指定页面过来的，那么就不做相关的响应。
    l Cookie：http协议是无状态的。也就是同一个人发送了两次请求，服务器没有能力知道这两个请求是否来自同一个人。因此这时候就用cookie来做标识。一般如果想要做登录后才能访问的网站，那么就需要发送cookie信息了。




    常见响应状态码：
    l 200：请求正常，服务器正常的返回数据。
    l 301：永久重定向。比如在访问www.jingdong.com的时候会重定向到www.jd.com。
    l 302：临时重定向。比如在访问一个需要登录的页面的时候，而此时没有登录，那么就会重定向到登录页面。
    l 400：请求的url在服务器上找不到。换句话说就是请求url错误。
    l 403：服务器拒绝访问，权限不够。
    l 500：服务器内部错误。可能是服务器出现bug了。

    cookie的格式：
    Set-Cookie: NAME=VALUE；Expires/Max-age=DATE；Path=PATH；Domain=DOMAIN_NAME；SECURE

    参数意义：
    l NAME：cookie的名字。
    l VALUE：cookie的值。
    l Expires：cookie的过期时间。
    l Path：cookie作用的路径。
    l Domain：cookie作用的域名。
    l *SECURE：    是否只在https协议下起作用。