python爬虫(二)_HTTP的请求和响应
HTTP和HTTPS
HTTP(HyperText Transfer Protocol，超文本傳輸協(xié)議)：是一種發(fā)布和接收HTML頁面的方法
HTTPS(HyperText Transfer Protocol over Secure Socket Layer)簡單講是HTTP的安全版，在HTTP下加入SSL層。
SSL(Secure Socket Layer安全套接層)主要用于web的安全傳輸協(xié)議，在傳輸層對網(wǎng)絡(luò)連接進(jìn)行加密，保障在Internet上數(shù)據(jù)傳輸?shù)陌踩?/p>
- HTTP的端口號(hào)為80
- HTTPS的端口號(hào)為443
HTTP工作原理
網(wǎng)絡(luò)爬蟲抓取過程可以理解為模擬瀏覽器操作的過程。
瀏覽器的主要功能是向服務(wù)器發(fā)出請求，在瀏覽器窗口中展示您選擇的網(wǎng)絡(luò)資源，HTTP是一套計(jì)算機(jī)通過網(wǎng)絡(luò)進(jìn)行通信的規(guī)則。
HTTP的請求和響應(yīng)
HTTP通信由兩部分組成：客戶端請求消息與服務(wù)器響應(yīng)消息
?
瀏覽器發(fā)送HTTP請求的過程
URL(Uniform/Universal Resource Locator的縮寫)：統(tǒng)一資源定位符，是用于完整地描述Internet上網(wǎng)頁和其他資源的地址的一種標(biāo)識(shí)方法。
基本格式：scheme://host[:port#]/path/..../[?query-string][#anchor]
- scheme：協(xié)議(例如：http、https、ftp)
- host：服務(wù)器的IP地址或者域名
- port#：服務(wù)器的端口(如果是走協(xié)議默認(rèn)端口，缺省端口80)
- path：訪問資源的路徑
- query-string：參數(shù)，發(fā)送給http服務(wù)器的數(shù)據(jù)
- anchor：錨(跳轉(zhuǎn)到網(wǎng)頁的指定錨點(diǎn)位置)
例如:
+ ftp://192.168.0.116:8080/index
+ http://www.baidu.com
+ http://item.jd.com/11936238.html#product-detail
客戶端HTTP請求
URL只是標(biāo)識(shí)資源的位置，而HTTP是用來提交和獲取資源。客戶端發(fā)送一個(gè)HTTP請求到服務(wù)器的請求消息，包括以下格式：
請求行、請求頭部、空行、請求數(shù)據(jù)
四個(gè)部分組成，下圖給出了請求報(bào)文的一般格式：
一個(gè)典型的HTTP請求實(shí)例：
請求方法
GET https://www.baidu.com/ HTTP/1.1
根據(jù)HTTP標(biāo)準(zhǔn)，HTTP請求可以使用很多請求方法。
HTTP 0.9：只有基本的文本GET功能
HTTP 1.0：完善的請求/響應(yīng)模型，并將協(xié)議補(bǔ)充完整，定義了三種請求方法：GET、POST和HEAD方法。
HTTP 1.1：在1.0的基礎(chǔ)上進(jìn)行更新，新增了五種請求方法：OPTIONS,PUT,DELETE,TRACE和CONNECT方法。
HTTP 2.0(未普及)：請求/響應(yīng)首部的定義基本沒有改變，只是所有首部鍵必須全部小寫，而且請求行要獨(dú)立為:method、:scheme、:host、:path這些鍵值對
| 1 | GET | 請求指定的頁面信息，并返回實(shí)體主體。 |
| 2 | HEAD | 類似于get請求，只不過返回的響應(yīng)中沒有具體的內(nèi)容，用于獲取報(bào)頭 |
| 3 | POST | 向指定資源提交數(shù)據(jù)進(jìn)行處理請求（例如提交表單或者上傳文件），數(shù)據(jù)被包含在請求體中。POST請求可能會(huì)導(dǎo)致新的資源的建立和/或已有資源的修改。 |
| 4 | PUT | 從客戶端向服務(wù)器傳送的數(shù)據(jù)取代指定的文檔的內(nèi)容。 |
| 5 | DELETE | 請求服務(wù)器刪除指定的頁面。 |
| 6 | CONNECT | HTTP/1.1協(xié)議中預(yù)留給能夠?qū)⑦B接改為管道方式的代理服務(wù)器。 |
| 7 | OPTIONS | 允許客戶端查看服務(wù)器的性能。 |
| 8 | TRACE | 回顯服務(wù)器收到的請求，主要用于測試或診斷。 |
HTTP請求主要分為GET和POST兩種方法
- GET是從服務(wù)器上獲取數(shù)據(jù)，POST是向服務(wù)器傳送數(shù)據(jù)
- GET請求參數(shù)顯示在瀏覽器網(wǎng)址上，HTTP服務(wù)器根據(jù)該請求所包含URL中的參數(shù)來產(chǎn)生響應(yīng)內(nèi)容，即"Get"請求的參數(shù)是URL的一部分。例如:http://www.baidu.com/s?wd=Chinese
-
POST請求參數(shù)在請求體中，消息長度沒有限制而且以隱式的方式進(jìn)行發(fā)送，通常用來向HTTP服務(wù)器提交量比較大的數(shù)據(jù)(比如請求體中包含許多參數(shù)或者文件上床操作等)，請求的參數(shù)包含在"Content-Type"消息頭里，指明該消息體的媒體類型和編碼。
注意：避免使用GET方式提交表單，因?yàn)橛锌赡軙?huì)導(dǎo)致安全問題。比如說在登陸表單中用GET方式，用戶輸入的用戶名和密碼將在地址欄中暴露無遺。
常用的請求頭
1、Host(主機(jī)和端口號(hào))
Host：對應(yīng)網(wǎng)址URL中的web名稱和端口號(hào)，用于指定被請求資源的Internet主機(jī)和端口號(hào)，通常屬于URL的一部分。
2. Connection(鏈接類型)
Connection：表示客戶端與服務(wù)器鏈接類型
Client發(fā)起一個(gè)包含Connection: keep-alive的請求，HTTP/1.1使用keep-alive為默認(rèn)值。
Server收到請求后：
如果Server支持keep-alive,回復(fù)一個(gè)包含Connection:keep-alive的響應(yīng)，不關(guān)閉連接；如果Server不支持keep-alive,回復(fù)一個(gè)包含Connection:close的響應(yīng)，關(guān)閉連接。
如果client收到包含Connection:keep-alive的響應(yīng)，向同一個(gè)連接發(fā)送下一個(gè)請求，直到乙方主動(dòng)關(guān)閉連接。
keep-alive在很多情況下能夠重用連接，減少資源消耗，縮短響應(yīng)時(shí)間，比如當(dāng)瀏覽器器需要多個(gè)文件時(shí)(比如一個(gè)HTML文件和相關(guān)的圖形文件)，不需要每次都去請求建立連接。
3.Upgrade-Insecure-Request(升級(jí)為HTTPS請求)
Upgrade-Insecure-Requests：升級(jí)不安全的的請求，意思是會(huì)在加載http資源時(shí)自動(dòng)替換成成https請求，讓瀏覽器不再顯示https頁面中的http請求警報(bào)。
HTTPS是以安全為目標(biāo)的HTTP通道，所以在HTTPS承載的頁面上不允許出現(xiàn)HTTP請求，一旦出現(xiàn)就是提示或報(bào)警。
4.User-Agent(瀏覽器名稱)
User-Agent：是客戶端瀏覽器的名稱，以后會(huì)詳細(xì)講。
5.Accept(傳輸文件類型)
Accept：指瀏覽器或其他客戶端可以接收的MIME(Multipurpose Internet Mail Extensions(多用途互聯(lián)網(wǎng)郵件擴(kuò)展))文件類型，服務(wù)器可以根據(jù)它判斷并返回適當(dāng)?shù)奈募袷健?/p>
舉例：
Accept: */*：表示什么都可以接收。
Accept: image/gif：表明客戶端希望接受GIF圖像格式的資源。
Accept: text/html：表明客戶端希望接受html文本。
Accept: text/html, application/xhtml+xml;q=0.9, image/*;q=0.8：表示瀏覽器支持的MIME類型分別是html文本、xhtml和xml文檔、所有的圖像格式資源。
q是權(quán)重系數(shù)，范圍0<= q <= 1，q值越大，請求越傾向于獲得其";"之前的類型表示的內(nèi)容。若沒有指定q值，則默認(rèn)為1，按從左到右排序順序；若被賦值為0，則用于表示瀏覽器不接受此內(nèi)容類型。
Text：用于標(biāo)準(zhǔn)化地表示的文本信息，文本消息可以是多種字符集或者多種格式；Application：用于傳輸應(yīng)用程序數(shù)據(jù)或者二級(jí)制數(shù)據(jù)。詳情請點(diǎn)擊
6. Referer(頁面跳轉(zhuǎn)處)
Referer:表明產(chǎn)生請求的網(wǎng)頁來自于哪個(gè)URL，用戶是從該Referer頁面訪問當(dāng)當(dāng)前請求的頁面。這個(gè)屬性可以用來跟蹤WEB請求來自哪個(gè)頁面，是從什么網(wǎng)站來的。
有時(shí)候遇到下載某網(wǎng)站圖片，需要對應(yīng)的Referer,否則無法下載圖片，那是因?yàn)槿思易隽朔辣I鏈，原理就是根據(jù)referer去判斷是否是本網(wǎng)站的地址，如果不是，則拒絕，如果是，就可以下載；
7. Accept-Encoding(文件編碼格式)
Accept-Encoding：指出瀏覽器可以接收的編碼方式。編碼方式不同于文件格式，它是為了壓縮文件并加速文件傳輸速度。瀏覽器在接收到WEB端相應(yīng)之后編碼，然后再檢查文件格式，許多情形下還可以減少大量的下載時(shí)間。
**舉例：Accept-Encoding:gzip;q=1.0,identity;q=0.5,*;q=0**
如果有多個(gè)Encoding同時(shí)匹配，按照q值順序排列，本例中按順序支持gzip,identity壓縮編碼，支持gzip的瀏覽器會(huì)返回經(jīng)過gzip編碼的HTML頁面。如果請求消息中沒有設(shè)置這個(gè)域服務(wù)器假定客戶端對各種內(nèi)容編碼都可以接收。
8. Accept-Language(語言種類)
Accept-Language：指出瀏覽器可以接受的語言種類，如en或en-us指英語，zh或者zh-cn指中文，當(dāng)服務(wù)器能夠提供一種以上的語言版本時(shí)要用到。
9. Accept-Charset(字符編碼)
Accept-Charset：指出瀏覽器可以接收的字符編碼
舉例：Accept-Charset:sio-8859-1,gb2312,utf-8**
- ISO8859-1：通常叫做Latin-1。Latin-1包括了書寫所有西方歐洲語言不可缺少的附加字符，英文瀏覽器的默認(rèn)值是ISO-8859-1。
- gb2312：標(biāo)準(zhǔn)簡體中文字符集；
- UTF-8：UNICODE的一種邊長字符編碼，可以解決多種語言文本顯示問題，從而實(shí)現(xiàn)應(yīng)用國際化和本地化。
如果在請求消息中沒有設(shè)置這個(gè)域，缺省是任何字符集都可以接受。
10.Cookie(Cookie)
Cookie：瀏覽器用這個(gè)屬性向服務(wù)器發(fā)送Cookie。Cookie實(shí)在瀏覽器中寄存的小型數(shù)據(jù)體，它可以記載和服務(wù)器相關(guān)的用戶信息，也可以用來實(shí)現(xiàn)會(huì)話功能，以后會(huì)詳細(xì)講。
11. Content-Type(POST數(shù)據(jù)類型)
Content-Type：POST請求里用來表示的內(nèi)容類型。
舉例：Content-Type=Text/XML;charset=gb2312;
指明該請求的消息體中包含的是純文本的XML類型的數(shù)據(jù)，字符編碼采用"gb2312"
服務(wù)端HTTP響應(yīng)
HTTP響應(yīng)也由四個(gè)部分，分別是：狀態(tài)行、消息報(bào)頭、空行、響應(yīng)正文
常用的響應(yīng)報(bào)頭(了解)
1.Cache-Control：must-revalidate, no-cache, private。
這個(gè)值告訴客戶端，服務(wù)端不希望客戶端緩存資源，在下次請求資源時(shí)，必須要重新請求服務(wù)器，不能從緩存副本中獲取資源。
- Cache-Control是響應(yīng)頭中很重要的信息，當(dāng)客戶端請求頭中包含Cache-Control：max-age=0請求，明確表示不會(huì)緩存服務(wù)器資源時(shí)，Cache-Control作為回應(yīng)響應(yīng)，通常會(huì)返回no-cache，意思是說，“那就不緩存唄”。
- 當(dāng)客戶端在請求頭中沒有包含Cache-Control時(shí)，服務(wù)端往往會(huì)根據(jù)不同的資源確定不同的緩存忽略，比如說oschina在緩存圖片資源的策略就是Cache-Control:max-age=86400,這個(gè)意思是，從當(dāng)前時(shí)間開始，在86400秒的時(shí)間內(nèi)，客戶端可以直接從緩存副本中讀取資源，而不需要向服務(wù)器請求。
2.Connection:keep-alive
這個(gè)字段作為回應(yīng)客戶端的Connection:keep-alive，告訴客戶端服務(wù)器的tcp連接也是一個(gè)長連接，客戶端可以繼續(xù)使用這個(gè)tcp連接發(fā)送http請求。
3.Content-Encoding:gzip
告訴客戶端，服務(wù)器發(fā)送的資源是采用gzip編碼的，客戶端看到這個(gè)信息后，應(yīng)該采用gzip對資源進(jìn)行解碼。
4.Content-Type:text/html;charset=UTF-8
告訴客戶端，資源文件的類型，還有字符編碼，客戶端通過utf-8對資源進(jìn)行解碼，然后對資源進(jìn)行html解析。通常我們會(huì)看到有些網(wǎng)站是亂碼的，往往就是服務(wù)器端沒有返回正確的編碼。
5.Date: Sun, 21 Sep 2016 06:18:21 GMT
這個(gè)就是服務(wù)端發(fā)送資源的服務(wù)器時(shí)間，GMT是格林尼治所在地的標(biāo)準(zhǔn)時(shí)間。http協(xié)議中發(fā)送的時(shí)間都是GMT，這主要是解決在互聯(lián)網(wǎng)上，不同時(shí)區(qū)在相互請求資源的時(shí)候，時(shí)間混亂問題。
6.Expires:Sun, 1 Jan 2000 01:00:00 GMT
這個(gè)響應(yīng)頭也是緩存有關(guān)的，告訴客戶端在這個(gè)時(shí)間前，可以直接訪問緩存副本，很顯然這個(gè)值會(huì)存在問題，因?yàn)榭蛻舳撕头?wù)器的時(shí)間不一定會(huì)相應(yīng)，如果時(shí)間不同就會(huì)導(dǎo)致問題。所以這個(gè)響應(yīng)頭是沒有Cache-Control：max-age=*這個(gè)響應(yīng)頭準(zhǔn)確的，因?yàn)閙ax-age=date中的date是相應(yīng)時(shí)間，不僅更好理解，也更準(zhǔn)確。
7.Pragma:no-cache
這個(gè)含義與Cache-Control等同。
8.Server:Tengine/1.4.6
這個(gè)是服務(wù)器和相應(yīng)版本，只是告訴客戶端服務(wù)器的信息。
9.Transfer-Encoding: chunked
這個(gè)響應(yīng)頭告訴客戶端，服務(wù)器發(fā)送的資源的方式是分塊發(fā)送的。一般分塊發(fā)送的資源都是服務(wù)器動(dòng)態(tài)生成的，在發(fā)送時(shí)還不知道發(fā)送資源的大小，所以采用分塊發(fā)送，每一塊都是獨(dú)立的，獨(dú)立的塊都能表示自己的長度，最后一塊是0長度的，當(dāng)客戶端讀到這個(gè)0長度的塊時(shí)，就可以確定資源已經(jīng)傳輸完了。
10.Vary:Accept-Encoding
告訴緩存服務(wù)器，緩存壓縮文件和非壓縮文件兩個(gè)版本，現(xiàn)在這個(gè)字段用處并不大，因?yàn)楝F(xiàn)在的瀏覽器都是支持壓縮的。
響應(yīng)狀態(tài)碼
響應(yīng)的狀態(tài)碼有三位數(shù)字組成，第一個(gè)數(shù)字定義了響應(yīng)的 類別，且有五種可能取值。
常見狀態(tài)碼：
- 100~199：表示服務(wù)器成功接收部分請求，要求客戶端繼續(xù)提交其余請求才能完成整個(gè)處理過程。
- 200~299：表示服務(wù)器成功接收請求并已完成整個(gè)處理過程。常用200（OK請求成功）。
- 300~399：為完成請求，客戶需進(jìn)一步細(xì)化請求。例如：請求的資源已經(jīng)移動(dòng)到新地址、常用302(所請求的頁面已經(jīng)臨時(shí)轉(zhuǎn)移到新的url)、307和304(使用緩存資源)
- 400~499：哭護(hù)短的請求有錯(cuò)誤，常用404(服務(wù)器無法找到被請求的頁面)、403(服務(wù)器拒絕訪問，權(quán)限不夠)
- 500~599：服務(wù)器出現(xiàn)錯(cuò)誤，常用500(請求未完成。服務(wù)器余姚不可預(yù)知的狀況)。
Cookie和Session:
服務(wù)器和客戶端的交互僅限于請求/響應(yīng)過程，結(jié)束之后便斷開，在下一次請求時(shí)，服務(wù)器會(huì)認(rèn)為新的客戶端。
為了維護(hù)他們之間的鏈接，讓服務(wù)器知道這是前一個(gè)用戶發(fā)送的請求，必須在一個(gè)地方保存客戶端的信息。
Cookie：通過在 客戶端 記錄的信息確定用戶的身份。
Session：通過在 服務(wù)器端 記錄的信息確定用戶的身份。
?
?
?
?
?
?
?
?
?
?
?
?
轉(zhuǎn)載于:https://www.cnblogs.com/moying-wq/p/10134489.html
總結(jié)
以上是生活随笔為你收集整理的python爬虫(二)_HTTP的请求和响应的全部內(nèi)容，希望文章能夠幫你解決所遇到的問題。
- 上一篇： Kotlin函数中默认参数
- 下一篇： Python网络_TCP/IP简介