这篇文章将为大家详细讲解有关如何解读爬虫中HTTP的基础知识,文章内容质量较高,因此小编分享给大家做个参考,希望大家阅读完这篇文章后对相关知识有一定的了解。
创新互联从2013年成立,是专业互联网技术服务公司,拥有项目成都做网站、成都网站制作网站策划,项目实施与项目整合能力。我们以让每一个梦想脱颖而出为使命,1280元汉台做网站,已为上家服务,为汉台各地企业和个人服务,联系电话:18982081108
什么是HTTP?
引自百度百科的权威回答:
超文本传输协议(HTTP,HyperText Transfer Protocol) 是互联网上应用最为广泛的一种网络协议。所有WWW文件都必须遵守这个标准。设计HTTP最初的目的是为了提供一种发布和接收HTML页面的方法。
1960年美国人Ted Nelson构思了一种通过计算机处理文本信息的方法,并称之为超文本(hypertext),这成为了HTTP超文本传输协议标准架构的发展根基。Ted Nelson组织协调万维网协会(World Wide Web Consortium)和互联网工程工作小组(Internet Engineering Task Force )共同合作研究,最终发布了一系列的RFC,其中著名的RFC 2616定义了HTTP 1.1。
HTTP协议是用于从WWW服务器传输超文本到本地浏览器的传输协议。它可以使浏览器更加高效,使网络传输减少。它不仅保证计算机正确快速地传输超文本文档,还确定传输文档中的哪一部分,以及哪部分内容首先显示(如文本先于图形)等。
HTTP采用了浏览器/服务器这种请求/响应模型,浏览器永远是HTTP请求的发起者,服务器为响应者。
这样在浏览器客户端没有发起请求的情况下,服务器是不能主动推送消息给客户端的。
HTTP是一个应用层协议,是我们想从服务器端获取信息的最直观的请求。比如,在爬虫中使用的
但是HTTP也不是直接就可以用的,它的请求是建立在一些底层协议的基础上完成的。如TCP/IP协议栈中,HTTP需要TCP的三次握手连接成功后才能向服务器发起请求。当然,如果是HTTPS的话,还需要TSL和SSL安全层。
一个完整的HTTP请求过程
既然HTTP协议需要建立在其它底层协议基础上,我们来看看一个完整的HTTP请求是什么样的。
当我们点击一个链接或者输入一个链接的时候,整个HTTP的请求过程就开始了,然后经过以下步骤得到***的信息,我们这里简单介绍一下前四个步骤,旨在了解HTTP。
<1> 域名解析
首先会搜索各种本地DNS缓存,如果没有就会向DNS服务器(互联网提供商)发起域名解析,以获取IP地址。
<2> 建立TCP连接
当获取IP后,将创建套接字socket连接,也就是TCP的3次握手连接,默认端口号80。
<3> HTTP请求
一旦TCP连接成功后,浏览器/爬虫就可以向服务器发起HTTP请求报文了,报文内容包含请求行、请求头部、请求主体。
<4> 服务器响应
服务器响应,并返回一个HTTP响应包(如果成功会返回状态码200)和请求的HTML代码。
上面的步骤<3>和<4>可以简单的示意如下,更方便大家理解。其中,请求和响应都包含特定格式的信息,具体我们接下来会继续解读。
响应HTTP请求会返回响应状态码,根据状态码可以知道返回信息的状态。状态码规定如下:
1xx: 信息响应类,表示接收到请求并且继续处理
100——必须继续发出请求
101——要求服务器根据请求转换HTTP协议版本
2xx: 处理成功响应类,表示动作被成功接收、理解和接受
200——交易成功
201——提示知道新文件的URL
202——接受和处理、但处理未完成
203——返回信息不确定或不完整
204——请求收到,但返回信息为空
205——服务器完成了请求,用户代理必须复位当前已经浏览过的文件
206——服务器已经完成了部分用户的GET请求
3xx: 重定向响应类,为了完成指定的动作,必须接受进一步处理
300——请求的资源可在多处得到
301——删除请求数据
302——在其他地址发现了请求数据
303——建议客户访问其他URL或访问方式
304——客户端已经执行了GET,但文件未变化
305——请求的资源必须从服务器指定的地址得到
306——前一版本HTTP中使用的代码,现行版本中不再使用
307——申明请求的资源临时性删除
4xx: 客户端错误,客户请求包含语法错误或者是不能正确执行
400——错误请求,如语法错误
401——未授权
402——保留有效ChargeTo头响应
403——禁止访问
404——没有发现文件、查询或URl
405——在Request-Line字段定义的方法不允许
406——根据发送的Accept,请求资源不可访问
407——用户必须首先在代理服务器上得到授权
408——客户端没有在指定的时间内完成请求
409——对当前资源状态,请求不能完成
410——服务器不再有此资源且无进一步地址
411——服务器拒绝用户定义的Content-Length
412——一个或多个请求头字段在当前请求中错误
413——请求的资源大于服务器允许的大小
414——请求的资源URL长于服务器允许的长度
415——请求资源不支持请求项目格式
416——请求中包含Range请求头字段,在当前请求资源范围内没有range指示值,请求也不包含If-Range请求头字段
417——服务器不满足请求Expect头字段指定的期望值,如果是代理服务器,可能是下一级服务器不能满足请求长。
5xx: 服务端错误,服务器不能正确执行一个正确的请求
500——内部服务器错误
501——未实现
502——网关错误
HTTP请求报文
相信你已经对HTTP的请求过程有了大致的了解了,下面我们来详细介绍HTTP请求的报文信息。
报文内容包含请求行、请求头部、请求主体。
下面我们来看一下通过开发者工具请求
我们发现请求报文的格式与上面基本一致,正式我们想要的。那么,接下来我们将要逐个的介绍以上各个信息。
请求行
HEAD: 从服务器得到除了请求体与GET请求一样的响应
GET:通过URL获取查询资源信息(爬虫特定URL爬取)
POST:提交表单(爬虫中的模拟登录)
PUT:上传文件(浏览器不支持)
DELETE:删除
OPTIONS:返回服务器对特定资源支持的HTTP请求方法
TRACE:返回服务器收到的请求,用于测试或诊断
CONNECT:预留给管道连接方式的代理服务
GET请求方法后URL(这里是/)和版本1.1,别忘了空格。
请求头
HTTP的头域包括通用头、请求头、响应头和实体头四部分。因为在爬虫过程中,我们经常会提交headers请求头信息用于伪装,所以我们这里对请求头着重讲解一下。
请求头是请求报文特有的,它向服务器提交了一些额外的信息,例如通过Accept字段信息,我们客户端可以告诉服务器我们接受一些什么类型的数据。而我们其实可以把这些字段信息就当成<键值对>对待。
下面我们看看这些字段都代表了什么意思?
Accept:text/html,application/xhtml+xml,application/xml;q=0.9,image/webp,image/apng,*/*;q=0.8
含义:告诉浏览器我们接受MIME的类型
Accept-Encoding:gzip, deflate, br
含义:如果有这个字段,则代表客户端支持压缩将内容编码,去掉后会支持任意编码。
注意:爬虫时一般不要把它加上,博主最开始就是不懂全都复制过来,结果因为这个就是不好使卡住好长时间。
Accept-Lanague:zh-CN,zh;q=0.9
含义:告诉服务器能够接受的语言,没有则代表任何语言
Connection:keep-alive
含义:告诉服务器需要持久有效的连接状态(HTTP1.1默认会进行持久连接)
Host:www.baidu.com
含义:客户端指定自己想访问的web服务器域名/IP地址和端口号
Cache-control:max-age=0
含义:(引自百度百科)
Cache-Control 是最重要的规则。这个字段用于指定所有缓存机制在整个请求/响应链中必须服从的指令。这些指令指定用于阻止缓存对请求或响应造成不利干扰的行为。这些指令通常覆盖默认缓存算法。缓存指令是单向的,即请求中存在一个指令并不意味着响应中将存在同一个指令。
网页的缓存是由HTTP消息头中的“Cache-control”来控制的,常见的取值有private、no-cache、max-age、must-revalidate等,默认为private。
但是HTTP请求和响应的Cache-Control是不完全一样的。
常见的请求Cache-Control取值有
响应的Cache-Control取值有
我们这里主要介绍请求时的常见Cache-Control取值。
<1>max-age<=0
本例中使用max-age=0,表示每次请求会访问服务器,通过Last-Modified来判断文件是否被修改,如果被修改,返回状态码200并得到***文件,否则将返回304状态码并读取缓存文件。
<2>max-age>0
表示会直接从浏览器提取缓存。
<3>no-cache
表示不会在浏览器缓存进行提取,而是强制的向服务器发出请求,这样可以保证客户端能够收到最权威的回应。
<4>no-store
所有内容都不会被缓存到缓存或Internet临时文件中。
Upgrade-Insecure-Requests:1
含义:表示浏览器/爬虫可以处理HTTPS协议,并能自动升级请求从HTTP到HTTPS。
User-Agent:Mozilla/5.0 (Windows NT 6.1; WOW64) ..Safari/537.36
含义:(这个是爬虫中最常用了)用于伪装成浏览器身份请求网页。它的意思自然就是表示浏览器的身份,说明是用的哪种浏览器进行的操作。
Cookies:
含义:(这个也是爬虫中很重要的了,通常用于模拟登录)
Cookies是用于维持服务端的会话状态,由服务器端写入,然后在后续请求中,供服务器读取使用。
以上就是本例中出现的所有字段信息内容。当然,还有其它一些常用字段信息,这里也一起说明一下。
其它请求头字段信息
Referer:
含义:(这个也是爬虫常用到的,防盗链)
客户端通过当前URL代表的页面出发访问我们请求的页面。爬虫中,一般我们只要把它设置成请求的网页链接就好了。
Accept-Charset:
含义:(这个也是爬虫常用到的)
表示浏览器可接受的字符集,可以是utf-8,gbk等
If-Modified-Since:Thu, 10 Apr 2008 09:14:42 GMT
含义:请求的内容在指定日期以后一旦被修改就被返回对象内容,否则返回“Not Modified”
Pragma:
含义:
Pragma头域用来包含实现特定的指令,最常用的是Pragma:no-cache。在HTTP/1.1协议中,它的含义和Cache-Control:no-cache相同。
Range:
含义:告诉浏览器自己想取对象的哪个部分。例如,Range: bytes=1173546
关于如何解读爬虫中HTTP的基础知识就分享到这里了,希望以上内容可以对大家有一定的帮助,可以学到更多知识。如果觉得文章不错,可以把它分享出去让更多的人看到。