2003 您的安全设置不允许网站使用安装,重庆平台网站推广,海珠营销网站建设报价,成都网站建设有限公司HTTP 基本原理
在本节中#xff0c;我们会详细了解 HTTP 的基本原理#xff0c;了解在浏览器中敲入 URL 到获取网页内容之间发生了什么。了解了这些内容#xff0c;有助于我们进一步了解爬虫的基本原理。
2.1.1 URI 和 URL
这里我们先了解一下 URI 和 URL#xff0c;URI…HTTP 基本原理
在本节中我们会详细了解 HTTP 的基本原理了解在浏览器中敲入 URL 到获取网页内容之间发生了什么。了解了这些内容有助于我们进一步了解爬虫的基本原理。
2.1.1 URI 和 URL
这里我们先了解一下 URI 和 URLURI 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。URL、URN 和 URI 的关系可以用图表示。 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我个人习惯称之为 URL。
2.1.2 超文本
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如图所示。 2.1.3 HTTP 和 HTTPS
在淘宝的首页 淘宝中URL 的开头会有 http 或 https这个就是访问资源需要的协议类型有时我们还会看到 ftp、sftp、smb 开头的 URL那么这里的 ftp、sftp、smb 都是指的协议类型。在爬虫中我们抓取的页面通常就是 http 或 https 协议的我们在这里首先来了解一下这两个协议的含义。
HTTP 的全称是 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。HTTP 由万维网协会World Wide Web Consortium和 Internet 工作小组 IETFInternet Engineering Task Force共同合作制定的规范目前广泛使用的是 HTTP 1.1 版本。
HTTPS 的全称是 Hyper Text Transfer Protocol over Secure Socket Layer是以安全为目标的 HTTP 通道简单讲是 HTTP 的安全版即 HTTP 下加入 SSL 层简称为 HTTPS。
HTTPS 的安全基础是 SSL因此通过它传输的内容都是经过 SSL 加密的它的主要作用可以分为两种 是建立一个信息安全通道来保证数据传输的安全。 确认网站的真实性凡是使用了 https 的网站都可以通过点击浏览器地址栏的锁头标志来查看网站认证之后的真实信息也可以通过 CA 机构颁发的安全签章来查询。
现在越来越多的网站和 APP 都已经向 HTTPS 方向发展。例如 苹果公司强制所有 iOS App 在 2017 年 1 月 1 日 前全部改为使用 HTTPS 加密否则 APP 就无法在应用商店上架。 谷歌从 2017 年 1 月推出的 Chrome 56 开始对未进行 HTTPS 加密的网址链接亮出风险提示即在地址栏的显著位置提醒用户 “此网页不安全”。 腾讯微信小程序的官方需求文档要求后台使用 HTTPS 请求进行网络通信不满足条件的域名和协议无法请求。
而某些网站虽然使用了 HTTPS 协议还是会被浏览器提示不安全例如我们在 Chrome 浏览器里面打开 12306链接为中国铁路12306网站这时浏览器就会提示 “您的连接不是私密连接” 这样的话如图所示 这是因为 12306 的 CA 证书是中国铁道部自行签发的而这个证书是不被 CA 机构信任的所以这里证书验证就不会通过而提示这样的话但是实际上它的数据传输依然是经过 SSL 加密的。如果要爬取这样的站点就需要设置忽略证书的选项否则会提示 SSL 链接错误。
2.1.4 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模型如图所示。 此处客户端即代表我们自己的 PC 或手机浏览器服务器即要访问的网站所在的服务器。
为了更直观地说明这个过程这里用 Chrome 浏览器的开发者模式下的 Network 监听组件来做下演示它可以显示访问当前请求网页时发生的所有网络请求和响应。
打开 Chrome 浏览器右击并选择 “检查” 项即可打开浏览器的开发者工具。这里访问百度 百度一下你就知道输入该 URL 后回车观察这个过程中发生了怎样的网络请求。可以看到在 Network 页面下方出现了一个个的条目其中一个条目就代表一次发送请求和接收响应的过程如图所示。 我们先观察第一个网络请求即 www.baidu.com其中各列的含义如下。 第一列 Name请求的名称一般会将 URL 的最后一部分内容当作名称。 第二列 Status响应的状态码这里显示为 200代表响应是正常的。通过状态码我们可以判断发送了请求之后是否得到了正常的响应。 第三列 Type请求的文档类型。这里为 document代表我们这次请求的是一个 HTML 文档内容就是一些 HTML 代码。 第四列 Initiator请求源。用来标记请求是由哪个对象或进程发起的。 第五列 Size从服务器下载的文件和请求的资源大小。如果是从缓存中取得的资源则该列会显示 from cache。 第六列 Time发起请求到获取响应所用的总时间。 第七列 Waterfall网络请求的可视化瀑布流。
我们点击这个条目即可看到其更详细的信息如图所示 首先是 General 部分Request URL 为请求的 URLRequest Method 为请求的方法Status Code 为响应状态码Remote Address 为远程服务器的地址和端口Referrer Policy 为 Referrer 判别策略。
再继续往下可以看到有 Response Headers 和 Request Headers这分别代表响应头和请求头。请求头里带有许多请求信息例如浏览器标识、Cookies、Host 等信息这是请求的一部分服务器会根据请求头内的信息判断请求是否合法进而作出对应的响应。图中看到的 Response Headers 就是响应的一部分例如其中包含了服务器的类型、文档类型、日期等信息浏览器接受到响应后会解析响应内容进而呈现网页内容。
下面我们分别来介绍一下请求和响应都包含哪些内容。
请求
请求由客户端向服务端发出可以分为 4 部分内容请求方法Request Method、请求的网址Request URL、请求头Request Headers、请求体Request Body。
1. 请求方法
常见的请求方法有两种GET 和 POST。
在浏览器中直接输入 URL 并回车这便发起了一个 GET 请求请求的参数会直接包含到 URL 里。例如在百度中搜索 Python这就是一个 GET 请求链接为 百度安全验证其中 URL 中包含了请求的参数信息这里参数 wd 表示要搜寻的关键字。POST 请求大多在表单提交时发起。比如对于一个登录表单输入用户名和密码后点击 “登录” 按钮这通常会发起一个 POST 请求其数据通常以表单的形式传输而不会体现在 URL 中。
GET 和 POST 请求方法有如下区别。 GET 请求中的参数包含在 URL 里面数据可以在 URL 中看到而 POST 请求的 URL 不会包含这些数据数据都是通过表单形式传输的会包含在请求体中。 GET 请求提交的数据最多只有 1024 字节而 POST 方式没有限制。
一般来说登录时需要提交用户名和密码其中包含了敏感信息使用 GET 方式请求的话密码就会暴露在 URL 里面造成密码泄露所以这里最好以 POST 方式发送。上传文件时由于文件内容比较大也会选用 POST 方式。
我们平常遇到的绝大部分请求都是 GET 或 POST 请求另外还有一些请求方法如 GET、HEAD、POST、PUT、DELETE、OPTIONS、CONNECT、TRACE 等。
其他请求方法
方 法描 述GET请求页面并返回页面内容HEAD类似于 GET 请求只不过返回的响应中没有具体的内容用于获取报头POST大多用于提交表单或上传文件数据包含在请求体中PUT从客户端向服务器传送的数据取代指定文档中的内容DELETE请求服务器删除指定的页面CONNECT把服务器当作跳板让服务器代替客户端访问其他网页OPTIONS允许客户端查看服务器的性能TRACE回显服务器收到的请求主要用于测试或诊断
本表参考HTTP 请求方法 | 菜鸟教程。
2. 请求的网址
请求的网址即统一资源定位符 URL它可以唯一确定我们想请求的资源。
3. 请求头
请求头用来说明服务器要使用的附加信息比较重要的信息有 Cookie、Referer、User-Agent 等。下面简要说明一些常用的头信息。 Accept请求报头域用于指定客户端可接受哪些类型的信息。 Accept-Language指定客户端可接受的语言类型。 Accept-Encoding指定客户端可接受的内容编码。 Host用于指定请求资源的主机 IP 和端口号其内容为请求 URL 的原始服务器或网关的位置。从 HTTP 1.1 版本开始请求必须包含此内容。 Cookie也常用复数形式 Cookies这是网站为了辨别用户进行会话跟踪而存储在用户本地的数据。它的主要功能是维持当前访问会话。例如我们输入用户名和密码成功登录某个网站后服务器会用会话保存登录状态信息后面我们每次刷新或请求该站点的其他页面时会发现都是登录状态这就是 Cookies 的功劳。Cookies 里有信息标识了我们所对应的服务器的会话每次浏览器在请求该站点的页面时都会在请求头中加上 Cookies 并将其发送给服务器服务器通过 Cookies 识别出是我们自己并且查出当前状态是登录状态所以返回结果就是登录之后才能看到的网页内容。 Referer此内容用来标识这个请求是从哪个页面发过来的服务器可以拿到这一信息并做相应的处理如做来源统计、防盗链处理等。 User-Agent简称 UA它是一个特殊的字符串头可以使服务器识别客户使用的操作系统及版本、浏览器及版本等信息。在做爬虫时加上此信息可以伪装为浏览器如果不加很可能会被识别出为爬虫。 Content-Type也叫互联网媒体类型Internet Media Type或者 MIME 类型在 HTTP 协议消息头中它用来表示具体请求中的媒体类型信息。例如text/html 代表 HTML 格式image/gif 代表 GIF 图片application/json 代表 JSON 类型更多对应关系可以查看此对照表HTTP Content-type 对照表。
因此请求头是请求的重要组成部分在写爬虫时大部分情况下都需要设定请求头。
4. 请求体
请求体一般承载的内容是 POST 请求中的表单数据而对于 GET 请求请求体则为空。
例如这里我登录 GitHub 时捕获到的请求和响应如图所示。 登录之前我们填写了用户名和密码信息提交时这些内容就会以表单数据的形式提交给服务器此时需要注意 Request Headers 中指定 Content-Type 为 application/x-www-form-urlencoded。只有设置 Content-Type 为 application/x-www-form-urlencoded才会以表单数据的形式提交。另外我们也可以将 Content-Type 设置为 application/json 来提交 JSON 数据或者设置为 multipart/form-data 来上传文件。
表中列出了 Content-Type 和 POST 提交数据方式的关系。
表中Content-Type 和 POST 提交数据方式的关系
Content-Type提交数据的方式application/x-www-form-urlencoded表单数据multipart/form-data表单文件上传application/json序列化 JSON 数据text/xmlXML 数据
在爬虫中如果要构造 POST 请求需要使用正确的 Content-Type并了解各种请求库的各个参数设置时使用的是哪种 Content-Type不然可能会导致 POST 提交后无法正常响应。
响应
响应由服务端返回给客户端可以分为三部分响应状态码Response Status Code、响应头Response Headers和响应体Response Body。
1. 响应状态码
响应状态码表示服务器的响应状态如 200 代表服务器正常响应404 代表页面未找到500 代表服务器内部发生错误。在爬虫中我们可以根据状态码来判断服务器响应状态如状态码为 200则证明成功返回数据再进行进一步的处理否则直接忽略。表中列出了常见的错误代码及错误原因。
常见的错误代码及错误原因
状态码说 明详 情100继续请求者应当继续提出请求。服务器已收到请求的一部分正在等待其余部分101切换协议请求者已要求服务器切换协议服务器已确认并准备切换200成功服务器已成功处理了请求201已创建请求成功并且服务器创建了新的资源202已接受服务器已接受请求但尚未处理203非授权信息服务器已成功处理了请求但返回的信息可能来自另一个源204无内容服务器成功处理了请求但没有返回任何内容205重置内容服务器成功处理了请求内容被重置206部分内容服务器成功处理了部分请求300多种选择针对请求服务器可执行多种操作301永久移动请求的网页已永久移动到新位置即永久重定向302临时移动请求的网页暂时跳转到其他页面即暂时重定向303查看其他位置如果原来的请求是 POST重定向目标文档应该通过 GET 提取304未修改此次请求返回的网页未修改继续使用上次的资源305使用代理请求者应该使用代理访问该网页307临时重定向请求的资源临时从其他位置响应400错误请求服务器无法解析该请求401未授权请求没有进行身份验证或验证未通过403禁止访问服务器拒绝此请求404未找到服务器找不到请求的网页405方法禁用服务器禁用了请求中指定的方法406不接受无法使用请求的内容响应请求的网页407需要代理授权请求者需要使用代理授权408请求超时服务器请求超时409冲突服务器在完成请求时发生冲突410已删除请求的资源已永久删除411需要有效长度服务器不接受不含有效内容长度标头字段的请求412未满足前提条件服务器未满足请求者在请求中设置的其中一个前提条件413请求实体过大请求实体过大超出服务器的处理能力414请求 URI 过长请求网址过长服务器无法处理415不支持类型请求格式不被请求页面支持416请求范围不符页面无法提供请求的范围417未满足期望值服务器未满足期望请求标头字段的要求500服务器内部错误服务器遇到错误无法完成请求501未实现服务器不具备完成请求的功能502错误网关服务器作为网关或代理从上游服务器收到无效响应503服务不可用服务器目前无法使用504网关超时服务器作为网关或代理但是没有及时从上游服务器收到请求505HTTP 版本不支持服务器不支持请求中所用的 HTTP 协议版本
2. 响应头
响应头包含了服务器对请求的应答信息如 Content-Type、Server、Set-Cookie 等。下面简要说明一些常用的头信息。 Date标识响应产生的时间。 Last-Modified指定资源的最后修改时间。 Content-Encoding指定响应内容的编码。 Server包含服务器的信息比如名称、版本号等。 Content-Type文档类型指定返回的数据类型是什么如 text/html 代表返回 HTML 文档application/x-javascript 则代表返回 JavaScript 文件image/jpeg 则代表返回图片。 Set-Cookie设置 Cookies。响应头中的 Set-Cookie 告诉浏览器需要将此内容放在 Cookies 中下次请求携带 Cookies 请求。 Expires指定响应的过期时间可以使代理服务器或浏览器将加载的内容更新到缓存中。如果再次访问时就可以直接从缓存中加载降低服务器负载缩短加载时间。
3. 响应体
最重要的当属响应体的内容了。响应的正文数据都在响应体中比如请求网页时它的响应体就是网页的 HTML 代码请求一张图片时它的响应体就是图片的二进制数据。我们做爬虫请求网页后要解析的内容就是响应体如图所示。 在浏览器开发者工具中点击 Preview就可以看到网页的源代码也就是响应体的内容它是解析的目标。
在做爬虫时我们主要通过响应体得到网页的源代码、JSON 数据等然后从中做相应内容的提取。
本节中我们了解了 HTTP 的基本原理大概了解了访问网页时背后的请求和响应过程。
后面分析网页请求时会经常用到。
