HTTP基本原理

創(chuàng)新互聯(lián)公司是專業(yè)的新城網(wǎng)站建設(shè)公司，新城接單;提供網(wǎng)站設(shè)計(jì)、網(wǎng)站建設(shè),網(wǎng)頁設(shè)計(jì),網(wǎng)站設(shè)計(jì),建網(wǎng)站,PHP網(wǎng)站建設(shè)等專業(yè)做網(wǎng)站服務(wù);采用PHP框架,可快速的進(jìn)行新城網(wǎng)站開發(fā)網(wǎng)頁制作和功能擴(kuò)展;專業(yè)做搜索引擎喜愛的網(wǎng)站,專業(yè)的做網(wǎng)站團(tuán)隊(duì),希望更多企業(yè)前來合作!

在本節(jié)我們會詳細(xì)了解 HTTP 的基本原理，了解在瀏覽器中敲入一個(gè) URL 到獲取網(wǎng)頁內(nèi)容發(fā)生了一個(gè)怎樣的過程，了解了這些內(nèi)容，有助于去進(jìn)一步了解爬蟲的基本原理。

1. URI、URL

在了解 HTTP 之前我們先了解一下 URI 和 URL。我們經(jīng)常會聽到 URI 和 URL 兩個(gè)術(shù)語，URI 全稱為 Uniform Resource Identifier，即統(tǒng)一資源標(biāo)志符，URL 全稱為 Universal Resource Locator，即統(tǒng)一資源定位符。

舉例來說，https://github.com/favicon.ico，這是 GitHub 的網(wǎng)站圖標(biāo)鏈接，它是一個(gè) URL，也是一個(gè) URI，即有這樣的一個(gè)圖標(biāo)資源，我們用 URL/URI 來唯一指定了它的訪問方式，這其中包括了訪問協(xié)議 https、訪問路徑/即根目錄，資源名稱 favicon.ico，通過這樣的一個(gè)鏈接我們便可以從互聯(lián)網(wǎng)上找到這個(gè)資源，這就是 URL/URI。

URL 是 URI 的子集，也就是說每個(gè) URL 都是 URI，但不是每個(gè) URI 都是 URL。那么怎樣的 URI 不是 URL 呢？URI 還包括一個(gè)子類叫做 URN，它的全稱為 Universal Resource Name，即統(tǒng)一資源名稱。URN 只命名資源而不指定如何定位資源，如 urn:isbn:0451450523，它指定了一本書的 ISBN，可以唯一標(biāo)識這一本書，但是沒有指定到哪里定位這本書，這就是 URN，URL、URN、URI 的關(guān)系可以用圖表示如下：

URL、URN、URI 關(guān)系圖

但是在目前的互聯(lián)網(wǎng)，URN 的使用非常少，所以幾乎所有的 URI 都是 URL，所以一般的網(wǎng)頁鏈接我們可以稱之為 URL，也可以稱之為 URI，我個(gè)人習(xí)慣稱之為 URL。

2. 超文本

接下來我們再了解一個(gè)概念，超文本。超文本英文名稱叫做 Hypertext，我們在瀏覽器里面看到的網(wǎng)頁就是超文本解析而成的，其網(wǎng)頁源代碼是一系列 HTML 代碼，里面包含了一系列標(biāo)簽，如 img 顯示圖片，p 指定顯示段落等，瀏覽器解析這些標(biāo)簽后便形成了我們平?？吹降木W(wǎng)頁，而這網(wǎng)頁的源代碼 HTML 就可以稱作超文本。

例如我們在 Chrome 瀏覽器里面打開任意一個(gè)頁面，如淘寶首頁，右鍵點(diǎn)擊檢查，或按下快捷鍵 F12 即可打開瀏覽器的開發(fā)者工具，這時(shí)我們在 Elements 選項(xiàng)卡即可看到當(dāng)前網(wǎng)頁的源代碼，這些源代碼都是超文本，如圖所示：

 源代碼

3. HTTP、HTTPS

我們在前面了解了 URI 和 URL，例如淘寶的首頁：https://www.taobao.com/，在URL 的開頭會有 http 或 https，這個(gè)就是訪問資源需要的協(xié)議類型，有時(shí)我們還會看到 ftp、sftp、smb 開頭的 URL，那么這里的 ftp、sftp、smb 都是指的協(xié)議類型。在爬蟲中，我們抓取的頁面通常就是 http 或 https 協(xié)議的，我們在這里首先來了解一下這兩個(gè)協(xié)議的含義。

HTTP 的全稱是 Hyper Text Transfer Protocol，中文名叫做超文本傳輸協(xié)議，HTTP 協(xié)議是用于從網(wǎng)絡(luò)傳輸超文本數(shù)據(jù)到本地瀏覽器的傳送協(xié)議，它能保證傳送高效而準(zhǔn)確地傳送超文本文檔。HTTP 由萬維網(wǎng)協(xié)會（World Wide Web Consortium）和 Internet 工作小組IETF（Internet Engineering Task Force）共同合作制定的規(guī)范，目前廣泛使用的是 HTTP 1.1 版本。

HTTPS 的全稱是 Hyper Text Transfer Protocol over Secure Socket Layer，是以安全為目標(biāo)的 HTTP 通道，簡單講是 HTTP 的安全版，即 HTTP 下加入 SSL 層，簡稱為 HTTPS。

HTTPS 的安全基礎(chǔ)是 SSL，因此通過它傳輸?shù)膬?nèi)容都是經(jīng)過 SSL 加密的，它的主要作用可以分為兩種：

是建立一個(gè)信息安全通道，來保證數(shù)據(jù)傳輸?shù)陌踩?/p>

確認(rèn)網(wǎng)站的真實(shí)性，凡是使用了 https 的網(wǎng)站，都可以通過點(diǎn)擊瀏覽器地址欄的鎖頭標(biāo)志來查看網(wǎng)站認(rèn)證之后的真實(shí)信息，也可以通過 CA 機(jī)構(gòu)頒發(fā)的安全簽章來查詢。

現(xiàn)在越來越多的網(wǎng)站和 APP 都已經(jīng)向 HTTPS 方向發(fā)展。例如：

蘋果公司強(qiáng)制所有 iOS App 在 2017 年 1 月 1 日 前全部改為使用 HTTPS 加密，否則 APP 就無法在應(yīng)用商店上架。

谷歌從 2017 年 1 月推出的 Chrome 56 開始，對未進(jìn)行 HTTPS 加密的網(wǎng)址鏈接亮出風(fēng)險(xiǎn)提示，即在地址欄的顯著位置提醒用戶“此網(wǎng)頁不安全”。

騰訊微信小程序的官方需求文檔要求后臺使用 HTTPS 請求進(jìn)行網(wǎng)絡(luò)通信，不滿足條件的域名和協(xié)議無法請求。

而某些網(wǎng)站雖然使用了 HTTPS 協(xié)議還是會被瀏覽器提示不安全，例如我們在 Chrome 瀏覽器里面打開 12306，鏈接為：https://www.12306.cn/，這時(shí)瀏覽器就會提示“您的連接不是私密連接”這樣的話，如圖所示：

12306 頁面

這是因?yàn)?2306 的 CA 證書是中國鐵道部自己頒發(fā)給自己的，而這個(gè)證書是不被官方機(jī)構(gòu)認(rèn)可的，所以這里證書驗(yàn)證就不會通過而提示這樣的話，但是實(shí)際上它的數(shù)據(jù)傳輸依然是經(jīng)過 SSL 加密的。我們?nèi)绻廊∵@樣的站點(diǎn)就需要設(shè)置忽略證書的選項(xiàng)，否則會提示 SSL 鏈接錯(cuò)誤，在后文會進(jìn)行詳細(xì)說明。

4. HTTP請求過程

我們在瀏覽器中輸入一個(gè)URL，回車之后便會在瀏覽器中觀察到頁面內(nèi)容，實(shí)際上這個(gè)過程是瀏覽器向網(wǎng)站所在的服務(wù)器發(fā)送了一個(gè) Request，即請求，網(wǎng)站服務(wù)器接收到這個(gè)Request 之后進(jìn)行處理和解析，然后返回對應(yīng)的一個(gè) Response，即響應(yīng)，然后傳回給瀏覽器，Response里面就包含了頁面的源代碼等內(nèi)容，瀏覽器再對其進(jìn)行解析便將網(wǎng)頁呈現(xiàn)了出來，模型如圖所示：

模型圖

此處客戶端即代表我們自己的 PC 或手機(jī)瀏覽器，服務(wù)器即要訪問的網(wǎng)站所在的服務(wù)器。

為了更直觀地地說明這個(gè)的過程，我們在這里用 Chrome 瀏覽器的開發(fā)者模式下的 Network 監(jiān)聽組件來做下演示，它可以顯示訪問當(dāng)前請求網(wǎng)頁時(shí)發(fā)生的所有網(wǎng)絡(luò)請求和響應(yīng)。

打開 Chrome 瀏覽器，右鍵點(diǎn)擊檢查，或按下快捷鍵 F12 即可打開瀏覽器的開發(fā)者工具，我們在這里訪問百度：http://www.baidu.com/，輸入該 URL，敲擊回車訪問這個(gè)頁面，觀察一下在這個(gè)過程中發(fā)生了怎樣的網(wǎng)絡(luò)請求，這時(shí)我們可以看到在 Network 頁面的下方出現(xiàn)了一個(gè)個(gè)的條目，那么這一個(gè)條目就代表一次發(fā)送 Request 和接收 Response 的過程，如圖所示：

 Network 面板

我們觀察第一個(gè)網(wǎng)絡(luò)請求，即 www.baidu.com，如圖所示：

網(wǎng)絡(luò)請求記錄

這一個(gè)條目的各列分別代表：

第一列 Name，即 Request 的名稱。一般會用URL的最后一部分內(nèi)容當(dāng)做名稱。

第二列 Status，即 Response 的狀態(tài)碼。這里顯示為 200，代表 Response 是正常的，通過狀態(tài)碼我們可以判斷發(fā)送了 Request 之后是否得到了正常的 Response。

第三列 Type，即 Request 請求的文檔類型。這里為 document，代表我們這次請求的是一個(gè) HTML 文檔，內(nèi)容就是一些 HTML 代碼。

第四列 Initiator，即請求源。用來標(biāo)記 Request 是由哪個(gè)對象或進(jìn)程發(fā)起的。

第五列 Size，即從服務(wù)器下載的文件和請求的資源大小。如果是從緩存中取得的資源則該列會顯示 from cache。

第六列 Time，即發(fā)起 Request 到獲取到 Response 所用的總時(shí)間。

第七列 Timeline，即網(wǎng)絡(luò)請求的可視化瀑布流。

我們點(diǎn)擊這個(gè)條目即可看到其更詳細(xì)的信息，如圖所示：

詳細(xì)信息

首先是General 部分，Request URL 為 Request 的 URL，Request Method 為請求的方法，Status Code 為響應(yīng)狀態(tài)碼，Remote Address 為遠(yuǎn)程服務(wù)器的地址和端口，Referrer Policy 為 Referrer 判別策略。

再繼續(xù)往下看可以看到有一個(gè) Response Headers 和一個(gè) Request Headers，這分別代表響應(yīng)頭和請求頭，請求頭里面帶有許多請求信息，例如瀏覽器標(biāo)識、Cookies、Host 等信息，這是 Request 的一部分，服務(wù)器會根據(jù)請求頭內(nèi)的信息判斷請求是否合法，進(jìn)而作出對應(yīng)的響應(yīng)，返回 Response，那么在圖中看到的 Response Headers 就是 Response 的一部分，例如其中包含了服務(wù)器的類型、文檔類型、日期等信息，瀏覽器接受到 Response 后，會解析響應(yīng)內(nèi)容，進(jìn)而呈現(xiàn)網(wǎng)頁內(nèi)容。

下面我們分別來介紹一下請求 Request 和響應(yīng) Response 都包含了哪些內(nèi)容，在這里進(jìn)行對其組成進(jìn)行總結(jié)：

5. Request

Request，即請求，由客戶端向服務(wù)端發(fā)出。可以將 Request 劃分為四部分內(nèi)容：Request Method、Request URL、Request Headers、Request Body，即請求方式、請求鏈接、請求頭、請求體。

Request Method

請求方式，請求方式常見的有兩種類型，GET 和 POST。

我們在瀏覽器中直接輸入一個(gè) URL 并回車，這便發(fā)起了一個(gè) GET 請求，請求的參數(shù)會直接包含到 URL 里，例如百度搜索 Python，這就是一個(gè) GET 請求，鏈接為：https://www.baidu.com/s?wd=Python，URL中包含了請求的參數(shù)信息，這里參數(shù) wd 就是要搜尋的關(guān)鍵字。POST 請求大多為表單提交發(fā)起，如一個(gè)登錄表單，輸入用戶名密碼，點(diǎn)擊登錄按鈕，這通常會發(fā)起一個(gè) POST 請求，其數(shù)據(jù)通常以 Form Data 即表單的形式傳輸，不會體現(xiàn)在 URL 中。

GET 和 POST 請求方法有如下區(qū)別：

GET 方式請求中參數(shù)是包含在 URL 里面的，數(shù)據(jù)可以在 URL 中看到，而 POST 請求的 URL 不會包含這些數(shù)據(jù)，數(shù)據(jù)都是通過表單的形式傳輸，會包含在 Request Body 中。

GET 方式請求提交的數(shù)據(jù)最多只有 1024 字節(jié)，而 POST 方式?jīng)]有限制。

所以一般來說，網(wǎng)站登錄驗(yàn)證的時(shí)候，需要提交用戶名密碼，這里包含了敏感信息，使用GET方式請求的話密碼就會暴露在URL里面，造成密碼泄露，所以這里最好以POST方式發(fā)送。

文件的上傳時(shí)，由于文件內(nèi)容比較大，也會選用POST方式。

我們平常遇到的絕大部分請求都是 GET 或 POST 請求，另外還有一些請求方式，如 HEAD、PUT、DELETE、OPTIONS、CONNECT、TRACE，我們簡單將其總結(jié)如下：

方法描述

GET請求指定的頁面信息，并返回實(shí)體主體。

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。

POST向指定資源提交數(shù)據(jù)進(jìn)行處理請求，數(shù)據(jù)被包含在請求體中。

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。

DELETE請求服務(wù)器刪除指定的頁面。

CONNECTHTTP/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。

OPTIONS允許客戶端查看服務(wù)器的性能。

TRACE回顯服務(wù)器收到的請求，主要用于測試或診斷。

本表參考：http://www.runoob.com/http/http-methods.html。

Request URL

顧名思義，就是請求的網(wǎng)址，即統(tǒng)一資源定位符，用 URL 可以唯一確定我們想請求的資源。

Request Headers

請求頭，用來說明服務(wù)器要使用的附加信息，比較重要的信息有 Cookie、Referer、User-Agent 等，下面將一些常用的頭信息說明如下：

Accept，請求報(bào)頭域，用于指定客戶端可接受哪些類型的信息。

Accept-Language，指定客戶端可接受的語言類型。

Accept-Encoding，指定客戶端可接受的內(nèi)容編碼。

Host，用于指定請求資源的主機(jī) IP 和端口號，其內(nèi)容為請求URL 的原始服務(wù)器或網(wǎng)關(guān)的位置。從 HTTP 1.1 版本開始，Request 必須包含此內(nèi)容。

Cookie，也常用復(fù)數(shù)形式Cookies，是網(wǎng)站為了辨別用戶進(jìn)行 Session 跟蹤而儲存在用戶本地的數(shù)據(jù)。Cookies 的主要功能就是維持當(dāng)前訪問會話，例如我們輸入用戶名密碼登錄了某個(gè)網(wǎng)站，登錄成功之后服務(wù)器會用 Session 保存我們的登錄狀態(tài)信息，后面我們每次刷新或請求該站點(diǎn)的其他頁面時(shí)會發(fā)現(xiàn)都是保持著登錄狀態(tài)的，在這里就是 Cookies 的功勞，Cookies 里有信息標(biāo)識了我們所對應(yīng)的服務(wù)器的 Session 會話，每次瀏覽器在請求該站點(diǎn)的頁面時(shí)都會在請求頭中加上 Cookies 并將其發(fā)送給服務(wù)器，服務(wù)器通過 Cookies 識別出是我們自己，并且查出當(dāng)前狀態(tài)是登錄的狀態(tài)，所以返回的結(jié)果就是登錄之后才能看到的網(wǎng)頁內(nèi)容。

Referer，此內(nèi)容用來標(biāo)識這個(gè)請求是從哪個(gè)頁面發(fā)過來的，服務(wù)器可以拿到這一信息并做相應(yīng)的處理，如做來源統(tǒng)計(jì)、做防盜鏈處理等。

User-Agent，簡稱 UA，它是一個(gè)特殊字符串頭，使得服務(wù)器能夠識別客戶使用的操作系統(tǒng)及版本、瀏覽器及版本等信息。在做爬蟲時(shí)加上此信息可以偽裝為瀏覽器，如果不加很可能會被識別出為爬蟲。

Content-Type，即 Internet Media Type，互聯(lián)網(wǎng)媒體類型，也叫做 MIME 類型，在 HTTP 協(xié)議消息頭中，使用它來表示具體請求中的媒體類型信息。例如 text/html 代表 HTML 格式，image/gif 代表 GIF 圖片，application/json 代表 Json 類型，更多對應(yīng)關(guān)系可以查看此對照表：http://tool.oschina.net/commons。

因此，Request Headers 是 Request 等重要組成部分，在寫爬蟲的時(shí)候大部分情況都需要設(shè)定 Request Headers。

Request Body

即請求體，一般承載的內(nèi)容是 POST 請求中的 Form Data，即表單數(shù)據(jù)，而對于 GET 請求 Request Body 則為空。

例如在這里我登錄 GitHub 時(shí)捕獲到的 Request 和 Response 如圖所示：

 詳細(xì)信息

在登錄之前我們填寫了用戶名和密碼信息，提交時(shí)就這些內(nèi)容就會以Form Data 的形式提交給服務(wù)器，此時(shí)注意 Request Headers 中指定了 Content-Type 為 application/x-www-form-urlencoded，只有設(shè)置 Content-Type 為 application/x-www-form-urlencoded 才會以 Form Data 形式提交，另外我們也可以將 Content-Type 設(shè)置為 application/json 來提交 Json 數(shù)據(jù)，或者設(shè)置為 multipart/form-data 來上傳文件。

下面列出了 Content-Type 和 POST 提交數(shù)據(jù)方式的關(guān)系：

Content-Type提交數(shù)據(jù)方式

application/x-www-form-urlencodedForm 表單提交

multipart/form-data表單文件上傳提交

application/json序列化 Json 數(shù)據(jù)提交

text/xmlXML 數(shù)據(jù)提交

在爬蟲中如果我們要構(gòu)造 POST 請求需要注意這幾種 Content-Type，了解各種請求庫的各個(gè)參數(shù)設(shè)置時(shí)使用的是哪種 Content-Type，不然可能會導(dǎo)致 POST 提交后得不到正常的 Response。

以上便是對 Request 各部分內(nèi)容的解釋。

6. Response

Response，即響應(yīng)，由服務(wù)端返回給客戶端。Response 可以劃分為三部分，Response Status Code、Response Headers、Response Body。

Response Status Code

響應(yīng)狀態(tài)碼，此狀態(tài)碼表示了服務(wù)器的響應(yīng)狀態(tài)，如 200 則代表服務(wù)器正常響應(yīng)，404 則代表頁面未找到，500 則代表服務(wù)器內(nèi)部發(fā)生錯(cuò)誤。在爬蟲中，我們可以根據(jù)狀態(tài)碼來判斷服務(wù)器響應(yīng)狀態(tài)，如判斷狀態(tài)碼為 200，則證明成功返回?cái)?shù)據(jù)，再進(jìn)行進(jìn)一步的處理，否則直接忽略。

下面用表格列出了常見的錯(cuò)誤代碼及錯(cuò)誤原因：

狀態(tài)碼說明詳情

100繼續(xù)請求者應(yīng)當(dāng)繼續(xù)提出請求。服務(wù)器已收到請求的一部分，正在等待其余部分。

101切換協(xié)議請求者已要求服務(wù)器切換協(xié)議，服務(wù)器已確認(rèn)并準(zhǔn)備切換。

200成功服務(wù)器已成功處理了請求。

201已創(chuàng)建請求成功并且服務(wù)器創(chuàng)建了新的資源。

202已接受服務(wù)器已接受請求，但尚未處理。

203非授權(quán)信息服務(wù)器已成功處理了請求，但返回的信息可能來自另一來源。

204無內(nèi)容服務(wù)器成功處理了請求，但沒有返回任何內(nèi)容。

205重置內(nèi)容服務(wù)器成功處理了請求，內(nèi)容被重置。

206部分內(nèi)容服務(wù)器成功處理了部分請求。

300多種選擇針對請求，服務(wù)器可執(zhí)行多種操作。

301永久移動請求的網(wǎng)頁已永久移動到新位置，即永久重定向。

302臨時(shí)移動請求的網(wǎng)頁暫時(shí)跳轉(zhuǎn)到其他頁面，即暫時(shí)重定向。

303查看其他位置如果原來的請求是 POST，重定向目標(biāo)文檔應(yīng)該通過 GET 提取。

304未修改此次請求返回的網(wǎng)頁未修改，繼續(xù)使用上次的資源。

305使用代理請求者應(yīng)該使用代理訪問該網(wǎng)頁。

307臨時(shí)重定向請求的資源臨時(shí)從其他位置響應(yīng)。

400錯(cuò)誤請求服務(wù)器無法解析該請求。

401未授權(quán)請求沒有進(jìn)行身份驗(yàn)證或驗(yàn)證未通過。

403禁止訪問服務(wù)器拒絕此請求。

404未找到服務(wù)器找不到請求的網(wǎng)頁。

405方法禁用服務(wù)器禁用了請求中指定的方法。

406不接受無法使用請求的內(nèi)容響應(yīng)請求的網(wǎng)頁。

407需要代理授權(quán)請求者需要使用代理授

另外有需要云服務(wù)器可以了解下創(chuàng)新互聯(lián)cdcxhl.cn，海內(nèi)外云服務(wù)器15元起步，三天無理由+7*72小時(shí)售后在線，公司持有idc許可證，提供“云服務(wù)器、裸金屬服務(wù)器、高防服務(wù)器、香港服務(wù)器、美國服務(wù)器、虛擬主機(jī)、免備案服務(wù)器”等云主機(jī)租用服務(wù)以及企業(yè)上云的綜合解決方案，具有“安全穩(wěn)定、簡單易用、服務(wù)可用性高、性價(jià)比高”等特點(diǎn)與優(yōu)勢，專為企業(yè)上云打造定制，能夠滿足用戶豐富、多元化的應(yīng)用場景需求。

網(wǎng)站名稱：HTTP基本原理-創(chuàng)新互聯(lián)
網(wǎng)頁URL：http://aaarwkj.com/article28/ccoscp.html

成都網(wǎng)站建設(shè)公司_創(chuàng)新互聯(lián)，為您提供網(wǎng)站營銷、網(wǎng)站導(dǎo)航、域名注冊、品牌網(wǎng)站建設(shè)、軟件開發(fā)、動態(tài)網(wǎng)站

廣告

聲明：本網(wǎng)站發(fā)布的內(nèi)容（圖片、視頻和文字）以用戶投稿、用戶轉(zhuǎn)載內(nèi)容為主，如果涉及侵權(quán)請盡快告知，我們將會在第一時(shí)間刪除。文章觀點(diǎn)不代表本網(wǎng)站立場，如需處理請聯(lián)系客服。電話：028-86922220；郵箱：631063699@qq.com。內(nèi)容未經(jīng)允許不得轉(zhuǎn)載，或轉(zhuǎn)載時(shí)需注明來源： 創(chuàng)新互聯(lián)