爬虫须知的HTTP协议

Posted limengda

tags:

篇首语:本文由小常识网(cha138.com)小编为大家整理,主要介绍了爬虫须知的HTTP协议相关的知识,希望对你有一定的参考价值。

HTTP请求:

1.HTTP请求主要分为“Get”和“Post”两种方法。
2.当我们在浏览器输入URL http://www.baidu.com 的时候,
浏览器发送一个Request请求去获取 http://www.baidu.com 的html文件
服务器把Response文件对象发送回给浏览器。

URL详解:

URL是Uniform Resource Locator的简写,统一资源定位符。 
一个URL由以下几部分组成:
scheme://host:port/path/?query-string=xxx#anchor
scheme:代表的是访问的协议,一般为http或者https以及ftp等。
host:主机名,域名,比如www.baidu.com。
port:端口号。当你访问一个网站的时候,浏览器默认使用80端口。
path:查找路径。比如:www.jianshu.com/trending/now,后面的trending/now就是path。
query-string:查询字符串,比如:www.baidu.com/s?wd=python,后面的wd=python就是查询字符串。
anchor:锚点,后台一般不用管,前端用来做页面定位的。
在浏览器中请求一个url,浏览器会对这个url进行一个编码。除英文字母,数字和部分符号外,
其他的全部使用百分号+十六进制码值进行编码。

常用的请求方法:

get请求和post请求
get请求:一般情况下,只从服务器获取数据下来,并不会对服务器资源产生任何影响的时候会使用get请求。
post请求:向服务器发送数据(登录)、上传文件等,会对服务器资源产生影响的时候会使用post请求。 
有的网站和服务器为了做反爬虫机制,可能一个应该使用get方法的请求就一定要改成post请求

请求头常见参数:

在http协议中,向服务器发送一个请求,数据分为三部分,
第一个是把数据放在url中
第二个是把数据放在body中(在post请求中)
第三个就是把数据放在head中

User-Agent:浏览器名称。
Referer:表明当前这个请求是从哪个url过来的。如果不是从指定页面过来的,那么就不做相关的响应。
Cookie:http协议是无状态的。也就是同一个人发送了两次请求
因此这时候就用cookie来做标识。一般如果想要做登录后才能访问的网站,那么就需要发送cookie信息了。

常见响应状态码:

200:请求正常,服务器正常的返回数据。
301:永久重定向。比如在访问www.jingdong.com的时候会重定向到www.jd.com。
302:临时重定向。比如在访问一个需要登录的页面的时候,而此时没有登录,那么就会重定向到登录页面。
400:请求的url在服务器上找不到。换句话说就是请求url错误。
403:服务器拒绝访问,权限不够。
500:服务器内部错误。可能是服务器出现bug了

以上是关于爬虫须知的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

接口自动化测试须知

爬虫的进阶须知

01-网络爬虫的Headers须知

从socket到爬虫

入门须知之网络爬虫的基本流程及抓取策略

全端须知的通用单点登录原理与简单实现机制