📖Documents

# HTTP协议

# http和https

  • http协议：全称是 HyperText Transfer Protocol，意思是超文本传输协议，是一种发布和接收HTML页面的方法，服务器端口号是80。
  • https协议：是HTTP协议的加密版本，在HTTP下加入了SSL层，服务器端口号是443。

# 在浏览器中发送一个http请求的过程

  • 当用户在浏览器地址栏钟输入一个URL访问之后，浏览器会向服务器发送HTTP请求，http请求主要分为 "GET" 和 "POST"。
  • 比如当我们在浏览器输入URL http://baidu.com (opens new window) 的时候，浏览器发一个Request请求去获取 http://baidu.com (opens new window) 的HTML文件，服务器把Response文件对象返回给浏览器。
  • 浏览器分析Response中的HTML，发现其中引用了很多其他文件，如图片、css、js等，浏览器会自动再次发送Request去获取这些文件。
  • 当所有文件都下载成功，网页会根据HTML语法结构，完整显示出来。

# URL组成

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：

  • schema：代表访问的协议，一般为http、https、ftp
  • host：主机名，域名，比如 www.baidu.com
  • post：端口号，当访问一个网站的时候，http默认使用80，https默认使用443
  • path：查找路径，比如 www.baidu.com/search/error.html , search/error.html就是path
  • query-string：查询字符串，比如 www.baidu.com/s?wd=python wd=python就是查询字符串
  • anchor：锚点，前端用来做页面定位用

在浏览器中请求一个URL，浏览器会对这个url进行编码，除了英文字母、数字和不分符号外，其他全部使用百分号加十六进制值进行编码

# GET 和 POST

在HTTP协议中定义了8种请求方法

  • GET：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用GET请求
  • POST：向服务器发送数据、上传文件，会对服务器资源产生影响的时候会使用POST请求

以上是网站开发中常用的两种方法，一般情况下都会遵循使用原则，但是有些网站和服务器为了做反爬虫机制，也经常不按常理出牌，要视情况而定。

# 请求头常见参数

在HTTP协议中，向服务器发送一个请求，数据分为三个部分，第一个是把数据放在URL中，第二个是把数据放在body中(POST请求)，第三个就是把数据放在head中

  • User-Agent：浏览器名称。这个在网络爬虫中经常会被使用到，请求一个网页的时候，服务器通过这个参数就可以知道当前请求是由哪种浏览器发送的，如果我们通过Python爬虫发送请求，那么User-Agent就是Python，这对于那些有反爬虫机制的网站来说，可以轻易判断请求是爬虫。因为我们需要设置这个值为一些浏览器的值，来伪装爬虫。
  • Referer：表明当前这个请求是从哪个URL过来的。这个一般也可以用来做反爬虫技术。如果不是从指定页面过来的，那么就不做响应的响应。
  • Cookie：HTTP协议是无状态的。同一个人发送了两次请求，服务器没有能力知道这两个请求是否来自同一个人，因此需要用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 OK：客户端请求成功
  • 400 Bad Request：客户端请求有语法错误，不能被服务器所理解
  • 401 Unauthorized：请求未经授权，这个状态代码必须和WWW-Authenticate报头域一起使用
  • 403 Forbidden：服务器收到请求，但是拒绝提供服务
  • 404 Not Found：请求资源不存在
  • 500 Internal Server Error：服务器发生不可预期的错误
  • 503 Server Unavailable：服务器当前不能出来客户端的请求，一段时间后可能恢复正常

← urllib库 →