掌握HTTP原理

Posted 2020-12-13 pyliuwei

URI和URL

URI的全程为Uniform Resource identifier，即统一资源标志符，URL的全称 Universal Resource Locator 即统一资源定位符
在目前的互联网，一般的网页链接可以成为URL，也可以成为URI。

超文本

超文本其英文名称叫做Hypertext，我们在浏览器看到的网页就是超文本解析而成的。其网页源代码就是一系列的html代码，里面包含了一些列的标签比如p标签，h1标签 这些都是html

我们看到的网页的样式是css，浏览器解析这些标签后，就形成了我们看到的页面

HTTP &HTTPS

有些网页的开头会有HTTP 或者HTTPS 这个是访问资源需要的协议类型，有时我们能看到ftp、sftp、smb开头的URL，他们指的都是协议类型。

HTTP 的全称是 Hyper Text Transfer Protocol，中文名叫作超文本传输协议，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 IETF（Internet 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：

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。

HTTP 请求过程

我们在浏览器输入一个URL，回车之后便可以在浏览器上看到页面内容。实际上这个过程是浏览器向网站所在的服务器发送一个请求，网站服务器接收到请求进行处理和解析，然后返回对应的响应，返回给浏览器。响应里包含了页面的源代码等内容，浏览器拿到响应内容，对内容进行解析，将网页呈现。

请求方法

常见的请求方法有：GET、POST、PUT、DELETE

不常见的请求方法有：HEAD、CONNECT、OPTIONS、TRACE

请求头

请求头，用来说明服务器需要使用的附加信息

比较重要的信息有Cookie、Referer、User-Agent等。

Accept：请求报头域，用来指定客户端可接受那些类型的信息

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HTTP1.1版本开始，请求必须包含此内容

Cookie：也常用复数形式的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，这是Cookies的功劳，Cookies里有信息表示了我们所对应的服务器会话，每次浏览器再请求该站点的页面时，都会在请求头上加上Cookies并将其发送给服务器，服务器通过Cookies识别出我们自己，并且查出当前对应的状态是登录状态，所以返回结构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，服务器可以拿到这个信息并做相应的处理，可以做来源统计，防盗链处理等。

User-Agent：简称UA，它是一个特殊的字符串头，可以使服务器识别出客户使用的操作系统及版本，浏览器版本信息，在爬虫时，可以加上此信息做伪装。

Content-Type：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。

请求头是请求重要组成部分

请求体

请求体一般承载的内容是POST请求的表单数据，而对于GET请求，请求体则为空。

表格中列出了 Content-Type 和 POST 提交数据方式的关系

响应

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。

常见的响应状态码

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响应头信息。

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。

响应体

最重要就是响应体里的内容，响应的正文数据都在响应体重，比如请求网页时，它的响应体就是网页的HTML的代码，请求一张图片时，它的响应体就是图片的耳机宅男汇数据，爬虫解析数据，也就是响应体里的内容。