python爬虫入门教程--快速理解HTTP协议
Posted 梦子mengy7762
tags:
篇首语：本文由小常识网(cha138.com)小编为大家整理，主要介绍了python爬虫入门教程--快速理解HTTP协议相关的知识，希望对你有一定的参考价值。
http协议是互联网里面最重要，最基础的协议之一，我们的爬虫需要经常和http协议打交道。下面这篇文章主要给大家介绍了关于python爬虫入门之快速理解HTTP协议的相关资料，文中介绍的非常详细，需要的朋友可以参考借鉴，下面来一起看看吧。
前言
爬虫的基本原理是模拟浏览器进行 HTTP 请求，理解 HTTP 协议是写爬虫的必备基础，招聘网站的爬虫岗位也赫然写着熟练掌握HTTP协议规范，写爬虫还不得不先从HTTP协议开始讲起
HTTP协议是什么？
你浏览的每一个网页都是基于 HTTP 协议呈现的，HTTP 协议是互联网应用中，客户端（浏览器）与服务器之间进行数据通信的一种协议。协议中规定了客户端应该按照什么格式给服务器发送请求，同时也约定了服务端返回的响应结果应该是什么格式。
只要大家都按照协议规定方式发起请求和返回响应结果，任何人都可以基于HTTP协议实现自己的Web客户端（浏览器、爬虫）和Web服务器（nginx、Apache等）。
HTTP 协议本身是非常简单的。它规定，只能由客户端主动发起请求，服务器接收请求处理后返回响应结果，同时 HTTP 是一种无状态的协议，协议本身不记录客户端的历史请求记录。
HTTP 协议是如何规定请求格式和响应格式的呢？换言之，客户端按照什么格式才能正确发起 HTTP 请求呢？服务端按照什么格式返回响应结果客户端才能正确解析？
HTTP 请求
HTTP 请求由3部分组成，分别是请求行、请求首部、请求体，首部和请求体是可选的，并不是每个请求都需要的。对于新手小白想更轻松的学好Python基础，Python爬虫，web开发、大数据，数据分析,人工智能等技术，这里给大家分享系统教学资源，架下我尉（同英）： 2763177065 【教程/工具/方法/解疑】
请求行
请求行是每个请求必不可少的部分，它由3部分组成，分别是请求方法（method)、请求URL（URI）、HTTP协议版本，以空格隔开。
HTTP协议中最常用的请求方法有：GET、POST、PUT、DELETE。GET 方法用于从服务器获取资源，90%的爬虫都是基于GET请求抓取数据。
请求 URL 是指资源所在服务器的路径地址，比如上图的例子表示客户端想获取 index.html 这个资源，它的路径在服务器 foofish.net 的根目录（/）下面。
请求首部
因为请求行所携带的信息量非常有限，以至于客户端还有很多想向服务器要说的事情不得不放在请求首部（Header），请求首部用于给服务器提供一些额外的信息，比如 User-Agent 用来表明客户端的身份，让服务器知道你是来自浏览器的请求还是爬虫，是来自 Chrome 浏览器还是 FireFox。HTTP/1.1 规定了47种首部字段类型。HTTP首部字段的格式很像 Python 中的字典类型，由键值对组成，中间用冒号隔开。比如：
|
1
|
`User-Agent: Mozilla/5.0`
|
因为客户端发送请求时，发送的数据（报文）是由字符串构成的，为了区分请求首部的结尾和请求体的开始，用一个空行来表示，遇到空行时，就表示这是首部的结尾，请求体的开始。
请求体
请求体是客户端提交给服务器的真正内容，比如用户登录时的需要用的用户名和密码，比如文件上传的数据，比如注册用户信息时提交的表单信息。
现在我们用 Python 提供的最原始API socket 模块来模拟向服务器发起一个 HTTP 请求
|
`with socket.socket(socket.AF_INET, socket.SOCK_STREAM) as s:`
`# 1\\. 与服务器建立连接`
`s.connect((``"www.seriot.ch"``,` `80``))`
`# 2\\. 构建请求行，请求资源是 index.php`
`request_line` `=` `b``"GET /index.php HTTP/1.1"`
`# 3\\. 构建请求首部，指定主机名`
`headers` `=` `b``"Host: seriot.ch"`
`# 4\\. 用空行标记请求首部的结束位置`
`blank_line` `=` `b``"\\r\\n"`
`# 请求行、首部、空行这3部分内容用换行符分隔，组成一个请求报文字符串`
`# 发送给服务器`
`message` `=` `b``"\\r\\n"``.join([request_line, headers, blank_line])`
`s.send(message)`
`# 服务器返回的响应内容稍后进行分析`
`response` `=` `s.recv(``1024``)`
`print``(response)`
|
HTTP 响应
服务端接收请求并处理后，返回响应内容给客户端，同样地，响应内容也必须遵循固定的格式浏览器才能正确解析。HTTP 响应也由3部分组成，分别是：响应行、响应首部、响应体，与 HTTP 的请求格式是相对应的。
响应行
响应行同样也是3部分组成，由服务端支持的 HTTP 协议版本号、状态码、以及对状态码的简短原因描述组成。
状态码是响应行中很重要的一个字段。通过状态码，客户端可以知道服务器是否正常处理的请求。如果状态码是200，说明客户端的请求处理成功，如果是500，说明服务器处理请求的时候出现了异常。404 表示请求的资源在服务器找不到。除此之外，HTTP 协议还很定义了很多其他的状态码，不过它不是本文的讨论范围。
响应首部
响应首部和请求首部类似，用于对响应内容的补充，在首部里面可以告知客户端响应体的数据类型是什么？响应内容返回的时间是什么时候，响应体是否压缩了，响应体最后一次修改的时间。
响应体
响应体（body）是服务器返回的真正内容，它可以是一个HTML页面，或者是一张图片、一段视频等等。
我们继续沿用前面那个例子来看看服务器返回的响应结果是什么？因为我只接收了前1024个字节，所以有一部分响应内容是看不到的。
|
`b'HTTP``/``1.1` `200` `OK\\r\\n`
`Date: Tue,` `04` `Apr` `2017` `16``:``22``:``35` `GMT\\r\\n`
`Server: Apache\\r\\n`
`Expires: Thu,` `19` `Nov` `1981` `08``:``52``:``00` `GMT\\r\\n`
`Set``-``Cookie: PHPSESSID``=``66bea0a1f7cb572584745f9ce6984b7e``; path``=``/``\\r\\n`
`Transfer``-``Encoding: chunked\\r\\n`
`Content``-``Type``: text``/``html; charset``=``UTF``-``8``\\r\\n\\r\\n118d\\r\\n`
`<!DOCTYPE html PUBLIC` `"-//W3C//DTD XHTML 1.0 Strict//EN"` `"[http://www.w3.org/TR/xhtml1/DTD/xhtml1-strict.dtd](http://www.w3.org/TR/xhtml1/DTD/xhtml1-strict.dtd)"``>\\n\\n`
`<html xmlns``=``"[http://www.w3.org/1999/xhtml](http://www.w3.org/1999/xhtml)"` `xml:lang``=``"en"` `lang``=``"en"``>\\n`
`<head>\\n\\t`
`<meta http``-``equiv``=``"Content-Type"` `content``=``"text/html;charset=iso-8859-1"` `/``> \\n\\t`
`<meta http``-``equiv``=``"content-language"` `content``=``"en"` `/``>\\n\\t`
`...`
`<``/``html>`
|
从结果来看，它与协议中规范的格式是一样的，第一行是响应行，状态码是200，表明请求成功。第二部分是响应首部信息，由多个首部组成，有服务器返回响应的时间，Cookie信息等等。第三部分就是真正的响应体 HTML 文本。
至此，你应该对 HTTP 协议有一个总体的认识了，爬虫的行为本质上就是模拟浏览器发送HTTP请求，所以要想在爬虫领域深耕细作，理解 HTTP 协议是必须的。
总结
以上就是这篇文章的全部内容，希望本文的内容对大家的学习或者工作能带来一定的帮助，如果有疑问大家可以留言交流，谢谢大家对python教程入门学习的支持。
以上是关于python爬虫入门教程--快速理解HTTP协议的主要内容，如果未能解决你的问题，请参考以下文章