2.1.1 HTTP基本原理
URI :统一资源标志符
URL :统一资源定位符
URI 包括 URL + URN(统一资源名称)p77
在目前的互联网中,URN用得非常少,所以几乎所有的URI都是URL
一般的网页链接我们既可以称为URL,也可以称为URI
URL/URI 访问协议+访问路径+(资源名称)
2.1.2 超文本
超文本:网页的源代码HTML就可以称作超文本
2.1.3 HTTP和HTTPS
HTTP : 超文本传输协议
HTTPS: 以安全为目标的HTTP通道
2.1.4 HTTP请求过程
我们在浏览器输入一个URL,会车之后会在浏览器中观察到页面的内容。
1。浏览器向网站所在的服务器发送了一个请求
2。服务器收到后对请求进行处理和解析
3。返回对应的响应(解析出来的,包含页面源代码等内容),接着传回浏览器
4。浏览器再对其进行解析,使网页呈现出来
以Chrome浏览器的开发者模式下的Network监听组件为例:
右键并选择"检查" -> 选择Network
其中各列的含义 :
第一列Name: 请求的名称,一般会将URL的最后一部分作为名称
第二列Status: 响应的状态吗,显示为200代表响应是正常的。
通过状态码,我们可以判断发送了请求之后是否得到了正常的响应
第三列Type: 请求的文档类型。
document:代表请求的是一个HTML文档,内容是一些HTML代码
第四列Initiator:请求源。用来标记请求是由哪个对象或进程发起的。
第五列Size: 从服务器下载的文件和请求资源的大小。
如果是从缓存中取得的资源,则该列会显示from cache
第六列Time: 发起请求到获得响应所用的总时间
第七列Waterfall:网络请求的可视化瀑布流
点击name条目查看详细信息:
1.General
(1)Request URL -> 请求的URL
(2)Request Method -> 请求的方法
(3)Status Code -> 响应的状态码
(4)Remote Address -> 远程服务器的地址和接口
(5)Referrer Policy -> 判别策略
2.Response Headers + Request Headers -> 分别是 响应头 + 请求头
2.1.5 请求
(一)请求方法
常见的两种请求方式:GET 和 POST
GET请求:请求的参数会直接包含在URL里面
例如:在百度中搜索Python,链接为:https://www.baidu.com/s?wd=Python
其中URL包含了请求的参数信息(这里wd表示要搜寻的关键字)
POST请求:其数据类型通常以表单的形式传输,而不会体现在URL中,会出现在请求体中(下面的四)
只有设置content-type为application/x-www-form-unlencoded,才会以表单数据的形式提交
GET请求提交的数据最多只有1024字节,而POST方式没有限制
更多的请求方法:head、put、delete、connect、options、trace(p82)
(二)请求的网址
即URL -> 可以唯一确定我们想请求的资源
(三)请求头
Accept:请求报头域,用于指定客户端可接受哪些类型的信息
Accept-Language:指定客户端可接受的语言类型
Accept-Encoding:指定客户端可接受的内容编码
Host:用于指定请求资源的主机IP和端口号,其内容为请求URL的原始服务器或网关的位置
Cookie/Cookies:主要功能是维持当前访问会话
Cookies里有信息标识了我们所对应的服务器的会话,每次浏览器在请求该站点的页面时,都会在请求头中加上cookies识别是我们自己,
并且查出当前状态是登陆状态,所以返回结果就是登陆之后才能看到的网页内容
Referer:此内容用来标识请求是从哪个页面发过来的。
服务器可以拿到这一信息并做相应的处理,如做来源统计、防盗链处理等
User-Agent:简称(UA),是一个特殊的字符串头
可以使服务器识别客户使用的操作系统及版本、浏览器及版本等信息。
在做爬虫时加上此信息,可以伪装为浏览器,如果不加,很可能会被识别出为爬虫。
Content-Type:(互联网媒体类型或者MIME类型)
在HTTP协议消息头中,它用来具体请求中的媒体类型信息
例如:text/html -> 代表HTML格式
image/GIF -> GIF图片
application/json -> JSON类型
更多关系:http://tool.oschina.net/commons
(四)请求体
请求体一般承载的内容是POST请求中的表单信息,而对于GET请求,请求体为空。
(后面会多一个Form Data)
content-type和post提交数据方式的关系(p84)
在爬虫中,如果要构造post请求,需要使用正确的content-type,并了解各种请求库的各个参数设置时使用的是哪种content-type,不然会导致post提交后无法正常运行
2.1.6 响应
响应,由服务器返回给客户端,可以分为三部分:响应状态码,响应头,响应体
(一)响应状态码
响应状态码表示服务器的响应状态:
200 代表服务器正常响应
404 代表页面未找到
500 代表服务器内部发生错误
······
常见的错误代码及原因(p85)
(二)响应头
date:标识响应产生的时间 -> GMT(中时区时间) -> 北京时间 = GMT时间 + 8h
last-modified:指定资源的最后修改时间
content-encoding:指定响应内容的编码
server(服务期):包含服务器的信息,比如名称,版本号······
content-type:文档类型,指定返回的数据类型是什么
set-cookie:设置cookies。
响应头中的set-cookie告诉服务器需要将此内容放在cookies中,下次请求携带cookies请求
expires(失效):指定响应的过期时间,可以是代理服务期或浏览器将加载的内容更新到缓存中。
如果再次被访问,可以直接从缓存中加载,降低服务期负载,缩短加载时间。
(三)响应体
最重要的当属响应体的内容了。
响应的正文数据都在响应体中,比如 请求网页时,它的响应体就是网页的HTML代码;
请求一张图片时,它的响应体就是图片的二进制数据。
我们做爬虫请求网页后,要解析的内容就是响应体。
在浏览器开发者工具中点击preview(预演,预告),就可以看到网页的源代码,也就是响应体的内容,他是解析的目标