爬虫须知的HTTP协议

Posted 2021-10-20 limengda

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