python爬蟲入門教程--快速理解HTTP協議（一）

更新時間：2017年05月25日 09:15:32 作者：FOOFISH

http協議是互聯網里面最重要，最基礎的協議之一，我們的爬蟲需要經常和http協議打交道。下面這篇文章主要給大家介紹了關于python爬蟲入門之快速理解HTTP協議的相關資料，文中介紹的非常詳細，需要的朋友可以參考借鑒，下面來一起看看吧。

前言

爬蟲的基本原理是模擬瀏覽器進行 HTTP 請求，理解 HTTP 協議是寫爬蟲的必備基礎，招聘網站的爬蟲崗位也赫然寫著熟練掌握HTTP協議規(guī)范，寫爬蟲還不得不先從HTTP協議開始講起

HTTP協議是什么？

你瀏覽的每一個網頁都是基于 HTTP 協議呈現的，HTTP 協議是互聯網應用中，客戶端（瀏覽器）與服務器之間進行數據通信的一種協議。協議中規(guī)定了客戶端應該按照什么格式給服務器發(fā)送請求，同時也約定了服務端返回的響應結果應該是什么格式。

只要大家都按照協議規(guī)定方式發(fā)起請求和返回響應結果，任何人都可以基于HTTP協議實現自己的Web客戶端（瀏覽器、爬蟲）和Web服務器（Nginx、Apache等）。

HTTP 協議本身是非常簡單的。它規(guī)定，只能由客戶端主動發(fā)起請求，服務器接收請求處理后返回響應結果，同時 HTTP 是一種無狀態(tài)的協議，協議本身不記錄客戶端的歷史請求記錄。

HTTP 協議是如何規(guī)定請求格式和響應格式的呢？換言之，客戶端按照什么格式才能正確發(fā)起 HTTP 請求呢？服務端按照什么格式返回響應結果客戶端才能正確解析？

HTTP 請求

HTTP 請求由3部分組成，分別是請求行、請求首部、請求體，首部和請求體是可選的，并不是每個請求都需要的。

請求行

請求行是每個請求必不可少的部分，它由3部分組成，分別是請求方法（method)、請求URL（URI）、HTTP協議版本，以空格隔開。

HTTP協議中最常用的請求方法有：GET、POST、PUT、DELETE。GET 方法用于從服務器獲取資源，90%的爬蟲都是基于GET請求抓取數據。

請求 URL 是指資源所在服務器的路徑地址，比如上圖的例子表示客戶端想獲取 index.html 這個資源，它的路徑在服務器 foofish.net 的根目錄（/）下面。

請求首部

因為請求行所攜帶的信息量非常有限，以至于客戶端還有很多想向服務器要說的事情不得不放在請求首部（Header），請求首部用于給服務器提供一些額外的信息，比如 User-Agent 用來表明客戶端的身份，讓服務器知道你是來自瀏覽器的請求還是爬蟲，是來自 Chrome 瀏覽器還是 FireFox。HTTP/1.1 規(guī)定了47種首部字段類型。HTTP首部字段的格式很像 Python 中的字典類型，由鍵值對組成，中間用冒號隔開。比如：

User-Agent: Mozilla/5.0

因為客戶端發(fā)送請求時，發(fā)送的數據（報文）是由字符串構成的，為了區(qū)分請求首部的結尾和請求體的開始，用一個空行來表示，遇到空行時，就表示這是首部的結尾，請求體的開始。

請求體

請求體是客戶端提交給服務器的真正內容，比如用戶登錄時的需要用的用戶名和密碼，比如文件上傳的數據，比如注冊用戶信息時提交的表單信息。

現在我們用 Python 提供的最原始API socket 模塊來模擬向服務器發(fā)起一個 HTTP 請求

with socket.socket(socket.AF_INET, socket.SOCK_STREAM) as s:
 # 1. 與服務器建立連接
 s.connect(("www.seriot.ch", 80))
 # 2. 構建請求行，請求資源是 index.php
 request_line = b"GET /index.php HTTP/1.1"
 # 3. 構建請求首部，指定主機名
 headers = b"Host: seriot.ch"
 # 4. 用空行標記請求首部的結束位置
 blank_line = b"\r\n"

 # 請求行、首部、空行這3部分內容用換行符分隔，組成一個請求報文字符串
 # 發(fā)送給服務器
 message = b"\r\n".join([request_line, headers, blank_line])
 s.send(message)

 # 服務器返回的響應內容稍后進行分析
 response = s.recv(1024)
 print(response)

HTTP 響應

服務端接收請求并處理后，返回響應內容給客戶端，同樣地，響應內容也必須遵循固定的格式瀏覽器才能正確解析。HTTP 響應也由3部分組成，分別是：響應行、響應首部、響應體，與 HTTP 的請求格式是相對應的。

響應行

響應行同樣也是3部分組成，由服務端支持的 HTTP 協議版本號、狀態(tài)碼、以及對狀態(tài)碼的簡短原因描述組成。

狀態(tài)碼是響應行中很重要的一個字段。通過狀態(tài)碼，客戶端可以知道服務器是否正常處理的請求。如果狀態(tài)碼是200，說明客戶端的請求處理成功，如果是500，說明服務器處理請求的時候出現了異常。404 表示請求的資源在服務器找不到。除此之外，HTTP 協議還很定義了很多其他的狀態(tài)碼，不過它不是本文的討論范圍。

響應首部

響應首部和請求首部類似，用于對響應內容的補充，在首部里面可以告知客戶端響應體的數據類型是什么？響應內容返回的時間是什么時候，響應體是否壓縮了，響應體最后一次修改的時間。

響應體

響應體（body）是服務器返回的真正內容，它可以是一個HTML頁面，或者是一張圖片、一段視頻等等。

我們繼續(xù)沿用前面那個例子來看看服務器返回的響應結果是什么？因為我只接收了前1024個字節(jié)，所以有一部分響應內容是看不到的。

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">\n\n
<html xmlns="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>

從結果來看，它與協議中規(guī)范的格式是一樣的，第一行是響應行，狀態(tài)碼是200，表明請求成功。第二部分是響應首部信息，由多個首部組成，有服務器返回響應的時間，Cookie信息等等。第三部分就是真正的響應體 HTML 文本。

至此，你應該對 HTTP 協議有一個總體的認識了，爬蟲的行為本質上就是模擬瀏覽器發(fā)送HTTP請求，所以要想在爬蟲領域深耕細作，理解 HTTP 協議是必須的。

總結

以上就是這篇文章的全部內容，希望本文的內容對大家的學習或者工作能帶來一定的幫助，如果有疑問大家可以留言交流，謝謝大家對腳本之家的支持。

您可能感興趣的文章: