Python爬虫预备知识
1.http编程知识[*]http中client 和server的工作模式
client和server建立可靠的tcp链接(在HTTP1.1中这个链接是长时间的，超时断开策略)
client通过socket与server通信，发送request并接受response
http协议是无状态的，是指每一条的请求是相互独立的，client和server都不会记录客户的行为。
client通过在HTTP请求中添加headers告诉server 他请求的内容，可以接受的格式
[*]常用的请求方式有get和post
Get：client请求一个文件
Post：client发送数据让server处理
如上图，输入http://www.baidu.com/
得到的request headers是：
Get ：请求方式/ 表示根目录HTTP/1.1表示采用的协议版本
HOST：请求的主机
Connection：保持长连接，
Cache-control：缓存相关
User-agent：告诉server我client的身份，包括浏览器版本等
Accept：支持的内容类型，先后次序表示浏览器依次加载的先后顺序
Accept-encoding：允许服务器以一下几种的压缩的格式对传输内容进行压缩
Accept-language：展示返回信息所采用的语言
Accept-charset：浏览器支持的字符编码集
Cookie：缓存相关
参考博客：
http://technique-digest.iteye.com/blog/1174581
http://www.iyunv.com/ShaYeBlog/archive/2012/09/11/2680485.html
http://blog.iyunv.com/bingjing12345/article/details/9819731
2. urllib2 相关内容
class urllib2.Request(url[, data][, headers][, origin_req_host][, unverifiable])
URL：应该是一个字符串
Data：是一个经过urllib.urlencode()编码的编码后字符串
Headers：用来哄骗user_agent，把来自script访问伪装成浏览器的访问。
示例代码：
import urllib
import urllib2
url = 'http://www.someserver.com/cgi-bin/register.cgi'
user_agent = 'Mozilla/4.0 (compatible; MSIE 5.5; Windows NT)'
values = {'name' : 'WHY',
'location' : 'SDU',
'language' : 'Python' }
headers = { 'User-Agent' : user_agent }
data = urllib.urlencode(values)
req = urllib2.Request(url, data, headers)
response = urllib2.urlopen(req)
the_page = response.read()
参考博客：http://blog.iyunv.com/pleasecallmewhy/article/details/8923067
3. 把如下代码保存成html格式，用相应的浏览器打开，得到浏览器的版本信息
javascript:alert(navigator.userAgent);
搜狗浏览器的user_agent
百度浏览器的user_agent
Google chorme的user_agent
页:
[1]