了解HTTP协议_千锋教育

　　我们学习知识就像盖房子一样，没有良好的地基，房子经不起风吹雨打。而如果房子的地基搭建的足够牢固，即使台风来了都是高高的耸立在那里。我们没有上来就讲爬虫怎么用，而是讲了一些基础的内容。这些内容大家都掌握了，后面我们学习实操爬虫就会很顺利，很清晰了。

　　HTTP协议

　　提到爬虫我们不得不提起HTT协议，那什么是HTTP协议呢?

　　HTTP协议(超文本传输协议HyperText Transfer Protocol)，它是基于TCP协议的应用层传输协议，简单来说就是客户端和服务端进行数据传输的一种规则。

　　• 超文本：是指超过文本，不仅限于文本;还包括图片、音频、视频等文件

　　• 传输协议：是指使用共用约定的固定格式来传递转换成字符串的超文本内容

　　• 默认端口号：80

　　并且HTTP是一种无状态(stateless) 协议, HTTP协议本身不会对发送过的请求和相应的通信状态进行持久化处理。这样做的目的是为了保持HTTP协议的简单性，从而能够快速处理大量的事务, 提高效率。

　　有时我们还会使用到https协议，其实他是HTTP + SSL(安全套接字层)，即带有安全套接字层的超本文传输协，默认端口号：443

　　• SSL对传输的内容(超文本，也就是请求体或响应体)进行加密

　　请求

　　HTTP协议中每次请求都会携带下方的内容，比如有请求的方法、请求的路径、协议的版本等我们称作请求行

　　还有符合字段名：值的这个方式的，我们称作请求头。

　　最后一部分是请求体。

Picture(6)

　　大家来看一下，浏览器的开发者工具Network中的请求情况：

Picture(1)

　　我们可以发现浏览器在发出请求的时候也是携带了请求行、请求头等内容。

　　爬虫中特别关注的请求头

　　无论是浏览器还是爬虫，在发出请求的时候要遵守HTTP协议，遵守HTTP协议就要携带请求头。

　　浏览器的请求头有哪些呢?同样在Network模式点击一个链接查看：

Picture(2)

　　这么多请求头发出请求的时候都要加吗?不是的，因为每个网站的请求头也是不一样的，也不是统一的。所以爬虫特别关注以下几个请求头字段：

　　• Content-Type

　　• Host (主机和端口号)

　　• Connection (链接类型)

　　• Upgrade-Insecure-Requests (升级为HTTPS请求)

　　• User-Agent (浏览器名称)

　　• Referer (页面跳转处)

　　• Cookie (Cookie)

　　• Authorization(用于表示HTTP协议中需要认证资源的认证信息，如前边web课程中用于jwt认证)

　　加粗的请求头为常用请求头，在服务器被用来进行爬虫识别的频率最高，相较于其余的请求头更为重要，但是这里需要注意的是并不意味这其余的不重要，因为有的网站的运维或者开发人员可能剑走偏锋，会使用一些比较不常见的请求头来进行爬虫的甄别

　　响应

　　有请求再加上响应才是一个完整的HTTP协议过程。那返回的响应内容格式又是什么呢?

Picture(3)

　　所以每一次响应都会包含上图中的内容，状态码、协议版本、响应头、响应实体等。

　　同样为了我们更加直观的来看响应我们还是通过浏览器的Network来看。可以看到有状态码、远程主机IP、响应头等内容

Picture(4)

　　还有一个主要内容是没有看到的，那就是响应体，需要点击一下Response，就会发现下面发生了变化，你所看到的就是响应体的内容。

Picture(5)

　　所以浏览器在发出请求的时候，运行过程是：

　　http请求的过程

　　我们无论访问任何网站都是在浏览器的地址栏上输入域名的，比如：http://www.baidu.com. 因为域名好记啊!我们从来不会记的百度的IP地址。但是识别的过程有DNS域名解析服务器完成了，它能够根据你输入的域名找到匹配的IP地址，然后将IP地址告诉你。

　　浏览器在拿到域名对应的ip后，开始发起请求，并获取响应

　　在返回的响应内容(html)中，会带有css、js、图片等url地址，以及ajax代码，浏览器按照响应内容中的顺序依次发送其他的请求，并获取相应的响应

　　浏览器每获取一个响应就对展示出的结果进行添加(加载)，js，css等内容会修改页面的内容，js也可以重新发送请求，获取响应

　　从获取第一个响应并在浏览器中展示，直到最终获取全部响应，——这个过程叫做浏览器的渲染

　　那讲了这么多，到底HTTP跟我们即将要讲的爬虫有什么关系呢?请看下图：

Picture(7)

　　http作用

　　这个是爬虫的步骤，而HTTP协议则是这个步骤中的一部分而且是最重要的一部分，即发送请求获取响应的那部分。

　　【说的明白些，就是【请求和响应】这段其实就是浏览器要干的活，我们通过写程序假装是浏览器在访问。】!!!上图红色框起来的那部分就是假装浏览器在做事情

　　下一次爬虫我们给大家介绍正则表达式，并且介绍正则表达式在爬虫中的使用。

　　更多关于“Python培训”的问题，欢迎咨询千锋教育在线名师。千锋教育多年办学，课程大纲紧跟企业需求，更科学更严谨，每年培养泛IT人才近2万人。不论你是零基础还是想提升，都可以找到适合的班型，千锋教育随时欢迎你来试听。