何雨果的知识库

Appearance

Python 爬虫基础原理 ​

在编写爬虫之前，深入理解互联网的底层协议与交互机制至关重要。本指南涵盖了从 HTTP 原理到反爬虫对抗的基础知识，并结合 2025 年的最新技术趋势（如 HTTP/2、TLS 指纹等），为构建高可用爬虫打下坚实基础。

一、HTTP 基本原理 ​

在浏览器中敲入 URL 到获取网页内容之间，网络世界发生了一系列精密的交互。

1.1 HTTP 协议演进 ​

  • HTTP/1.1：最通用的协议，文本格式传输。缺陷是队头阻塞（Head-of-Line Blocking）。
  • HTTP/2：
    • 多路复用 (Multiplexing)：单一 TCP 连接并发处理多个请求，大幅降低延迟。
    • 头部压缩 (HPACK)：减少传输体积。
    • 爬虫意义：许多现代网站（如 Cloudflare 保护的站点）会检测客户端是否支持 HTTP/2。如果不支持，可能被标记为"非浏览器环境"。
    • 工具：Python httpx 库原生支持 HTTP/2。
    • 📖 RFC 7540 - HTTP/2 规范
  • HTTP/3 (QUIC)：
    • 基于 UDP 而非 TCP，彻底解决 TCP 队头阻塞。
    • 反爬趋势：2025 年，越来越多的高防站点启用 HTTP/3。使用不支持 QUIC 的传统库（如 requests）容易被识别。
    • 工具：curl_cffi 等库支持模拟 HTTP/3 指纹。
    • 📖 RFC 9114 - HTTP/3 规范

1.2 URI 和 URL ​

这里我们先了解一下 URI 和 URL，URI 的全称为 Uniform Resource Identifier，即统一资源标志符，URL 的全称为 Universal Resource Locator，即统一资源定位符。

举例来说，https://github.com/favicon.ico，它是一个 URL，也是一个 URI。即有这样的一个图标资源，我们用 URL/URI 来唯一指定了它的访问方式，这其中包括了访问协议 https、访问路径（即根目录）和资源名称 favicon.ico。通过这样一个链接，我们便可以从互联网上找到这个资源，这就是 URL/URI。

URL 是 URI 的子集，也就是说每个 URL 都是 URI，但不是每个 URI 都是 URL。那么，怎样的 URI 不是 URL 呢？URI 还包括一个子类叫作 URN，它的全称为 Universal Resource Name，即统一资源名称。URN 只命名资源而不指定如何定位资源，比如 urn:isbn:0451450523 指定了一本书的 ISBN，可以唯一标识这本书，但是没有指定到哪里定位这本书，这就是 URN。

但是在目前的互联网，URN 的使用非常少，所以几乎所有的 URI 都是 URL，所以一般的网页链接我们可以称之为 URL，也可以称之为 URI。

1.3 超文本 (Hypertext) ​

接下来，我们再了解一个概念 —— 超文本，其英文名称叫作 hypertext，我们在浏览器里看到的网页就是超文本解析而成的，其网页源代码是一系列 HTML 代码，里面包含了一系列标签，比如 img 显示图片，p 指定显示段落等。浏览器解析这些标签后，便形成了我们平常看到的网页，而网页的源代码 HTML 就可以称作超文本。

例如，我们在 Chrome 浏览器里面打开任意一个页面，如淘宝首页，右击任一地方并选择 “检查” 项（或者直接按快捷键 F12），即可打开浏览器的开发者工具，这时在 Elements 选项卡即可看到当前网页的源代码，这些源代码都是超文本。

1.4 HTTP 和 HTTPS ​

在淘宝的首页 https://www.taobao.com/，中，URL 的开头会有 http 或 https，这个就是访问资源需要的协议类型。

  • HTTP：全称是 Hyper Text Transfer Protocol，中文名叫做超文本传输协议，HTTP 协议是用于从网络传输超文本数据到本地浏览器的传送协议，它能保证传送高效而准确地传送超文本文档。
  • HTTPS：全称是 Hyper Text Transfer Protocol over Secure Socket Layer，是以安全为目标的 HTTP 通道，即 HTTP 下加入 SSL 层。

HTTPS 的主要作用可以分为两种：

  1. 建立一个信息安全通道，来保证数据传输的安全。
  2. 确认网站的真实性。

现在越来越多的网站和 APP 都已经向 HTTPS 方向发展。Apple、Google、微信小程序等平台已全面强制或推荐使用 HTTPS。

1.5 HTTP 请求过程 ​

我们在浏览器中输入一个 URL，回车之后便会在浏览器中观察到页面内容。实际上，这个过程是浏览器向网站所在的服务器发送了一个请求，网站服务器接收到这个请求后进行处理和解析，然后返回对应的响应，接着传回给浏览器。响应里包含了页面的源代码等内容，浏览器再对其进行解析，便将网页呈现了出来。

1. 请求 (Request) ​

由客户端向服务端发出，包含 4 部分内容：

  1. 请求方法 (Request Method)

    • GET：请求页面，参数包含在 URL 中，受长度限制。
    • POST：提交表单或上传文件，数据在请求体中，相对安全且无大小限制。
    • 其他：HEAD, PUT, DELETE, OPTIONS 等。

  2. 请求的网址 (Request URL)：即统一资源定位符 URL，它可以唯一确定我们想请求的资源。

  3. 请求头 (Request Headers)：爬虫伪装的关键。

    • User-Agent：简称 UA，标识操作系统和浏览器版本。如果不加，很可能会被识别出为爬虫。
    • Cookie：维持会话状态的关键字段。
    • Referer：用来标识这个请求是从哪个页面发过来的，常用于防盗链。
    • Host：指定请求的主机 IP 和端口。
    • Content-Type：表示具体请求中的媒体类型信息（如 application/json）。

  4. 请求体 (Request Body)：POST 请求承载的数据（表单或 JSON）。

2. 响应 (Response) ​

由服务端返回给客户端，包含三部分：

  1. 响应状态码 (Response Status Code) — 📖 MDN HTTP 状态码完整列表

    状态码含义说明参考链接
    200OK请求成功MDN
    301Moved Permanently永久重定向MDN
    302Found临时重定向MDN
    400Bad Request请求语法错误MDN
    401Unauthorized需要身份验证MDN
    403Forbidden服务器拒绝请求（常见于反爬封锁）MDN
    404Not Found资源不存在MDN
    429Too Many Requests请求过多（反爬常见）MDN
    500Internal Server Error服务器内部错误MDN
    502Bad Gateway网关错误MDN
    503Service Unavailable服务不可用MDN

    💡 爬虫重点关注

    • 403/429 通常意味着被反爬机制拦截，需要更换 IP 或降低频率
    • 5xx 系列错误可能是服务器过载，建议稍后重试

  2. 响应头 (Response Headers)

    • Set-Cookie：服务器告诉浏览器设置 Cookie。
    • Content-Type：文档类型（如 text/html, application/json）。

  3. 响应体 (Response Body)

    • 最重要的内容。请求网页时，它是 HTML 代码；请求图片时，它是二进制数据。这是爬虫解析的目标。

⚠️ 2025 关键反爬特征：TLS 指纹 (JA3)

传统的反爬虫主要检测 User-Agent 或 IP。但在 2025 年，TLS Fingerprinting 已成为标配。

  • 原理：浏览器在建立 HTTPS 连接（TLS Handshake）时，发送的 ClientHello 包包含了一组特定的参数（加密套件顺序、TLS 版本、扩展字段等）。这些参数组合被计算为一个哈希值（如 JA3 Hash）。
  • 检测：
    • Chrome 浏览器的 JA3 指纹是固定的。
    • Python requests 库的 JA3 指纹也是固定的，且与 Chrome 完全不同。
    • WAF（如 Cloudflare）一旦发现 User-Agent 是 "Chrome" 但 JA3 指纹是 "Python Requests"，直接拦截。
  • 对抗：
    • 使用支持 TLS 指纹模拟 的库：
      • curl_cffi - 模拟各浏览器 TLS 指纹
      • tls-client - Go 语言 TLS 客户端的 Python 封装
      • Playwright - 微软出品，自带真实浏览器指纹

二、网页基础结构 ​

2.1 三大基石 ​

  1. HTML (骨架)：定义网页的内容和结构。
  2. CSS (皮肤)：描述网页的布局和样式（层叠样式表）。
  3. JavaScript (肌肉)：定义网页的交互和行为，实现实时、动态、交互的功能。

2.2 DOM 树与节点 ​

HTML 文档被视为一棵节点树（DOM Tree）：

  • 文档节点 (Document)：整个文档。
  • 元素节点 (Element)：如 <div>, <p>。
  • 属性节点 (Attribute)：如 class="wrapper"。
  • 文本节点 (Text)：标签内的文字。

节点间存在 父 (Parent)、子 (Child)、兄弟 (Sibling) 关系，这是解析库（如 XPath, CSS选择器）定位元素的基础。

2.3 CSS 选择器 (Selector) ​

通过 CSS 选择器定位节点是爬虫解析数据的常用手段：

选择器示例描述
ID 选择器#container选择 id="container" 的节点
类选择器.wrapper选择 class="wrapper" 的节点
标签选择器p选择所有 p 标签
嵌套#container .wrappercontainer 内部的 wrapper
属性a[href^="http"]href 以 http 开头的 a 标签

2.4 浏览器指纹技术 (Browser Fingerprinting) ​

除了 IP 和 Cookie，现代网站通过执行 JavaScript 来收集设备特征，生成唯一标识。

  • Canvas Fingerprinting：
    • 通过 JS 绘制一个隐藏的 Canvas 图像。
    • 由于显卡、驱动、操作系统渲染差异，绘制出的像素点在不同设备上是唯一的。
  • WebGL Fingerprinting：利用 3D 渲染 API 获取显卡详细型号。
  • 对抗策略：
    • 使用指纹浏览器（如 Multilogin, GoLogin）。
    • Playwright 配合插件注入随机噪音（但需小心已被识别的噪音模式）。
    • 最稳妥方案：使用真实指纹库或云端真实设备。

三、爬虫基本原理 ​

3.1 核心流程 ​

  1. 获取网页：
    • 构造请求，发送给服务器，获取响应（源代码）。
    • 2025 工具趋势：
  2. 提取信息：
    • 解析源代码，提取目标数据。
    • 方法：
    • AI 辅助：利用 LLM (ChatGPT/Claude) 直接从 HTML 片段自动提取结构化 JSON。
  3. 保存数据：存储到 TXT、JSON、数据库 (MySQL, MongoDB) 或远程服务器。
  4. 自动化：通过程序实现循环抓取、异常处理、自动重试。

3.2 JavaScript 动态渲染 ​

如果在用库抓取网页时，得到的源代码实际和浏览器中看到的不一样，那通常是因为网页采用了 Ajax 或前端模块化工具构建（动态网页）。

对策：

  1. API 逆向：分析后台 Ajax 接口，直接请求数据接口（最高效）。
  2. 浏览器自动化：
    • Selenium：老牌、生态好，但较慢，WebDriver 特征容易被检测。
    • Playwright：微软出品，速度快（支持 CDP 协议），原生支持拦截请求，隐藏特征更容易，是 2025 年的首选。

3.3 攻防对抗升级 ​

  • 验证码：从简单的图形码进化为行为验证（滑块、点选）和无感验证（Cloudflare Turnstile）。
    • 破解：打码平台 API 或 YOLO 等视觉模型。
  • 风控：IP 代理池必须具备高匿性，家庭宽带 IP (Residential Proxies) 价值提升。

四、会话与 Cookies ​

4.1 无状态 HTTP 与状态保持 ​

HTTP 协议是无状态的。为了在请求之间保持状态（如登录状态），诞生了 Session 和 Cookie。

  • Session（会话）：存储在服务端，保存用户的相关信息。
  • Cookie：存储在客户端（浏览器），是服务器发给户端的"通行证"。

4.2 登录维持原理 ​

  1. 客户端登录成功，服务器生成 Session，并通过 Set-Cookie 响应头将 Session ID 发给客户端。
  2. 客户端将 Cookie 保存（内存或硬盘）。
  3. 下次请求时，客户端自动在请求头携带 Cookie。
  4. 服务器根据 Cookie 找到对应的 Session，确认用户处于登录状态。

爬虫应用：模拟登录后获取 Cookie，或直接在 Headers 中手动设置 Cookie，即可访问需要登录的页面。

五、代理 (Proxy) 原理 ​

5.1 为什么需要代理？ ​

网站会检测同一 IP 的访问频率。如果过高，会返回 403 或验证码（封 IP）。 代理的作用：作为中转站，伪装真实 IP。

Client -> Proxy Server -> Web Server

5.2 代理分类 ​

按匿名度 ​

  • 高匿代理 (High Anonymity)：服务端不知道你是代理，也不知道真实 IP。
  • 普通匿名 (Anonymous)：服务端知道你是代理，但不知道真实 IP。
  • 透明代理 (Transparent)：服务端知道你是代理，也知道真实 IP（无隐私保护作用）。

按协议 ​

  • HTTP/HTTPS 代理：用于访问网页。
  • SOCKS5 代理：单纯传递数据包，支持 TCP/UDP，速度快，用途更广。

📚 参考资料 ​

官方规范文档 ​

文档说明
MDN Web Docs - HTTPMozilla 提供的 HTTP 权威教程
RFC 2616HTTP/1.1 协议规范
RFC 7540HTTP/2 协议规范
RFC 9114HTTP/3 协议规范
RFC 6265HTTP Cookie 规范

Python 爬虫工具库 ​

工具用途文档链接
requests基础 HTTP 客户端官方文档
httpx异步 HTTP 客户端，支持 HTTP/2官方文档
curl_cffiTLS 指纹模拟GitHub
Beautiful SoupHTML/XML 解析官方文档
lxml高性能 XPath/XSLT官方文档
Scrapy爬虫框架官方文档
Selenium浏览器自动化官方文档
Playwright现代浏览器自动化Python 文档

延伸阅读 ​

← 返回 Python 深度研究