爬虫入门基础-HTTP协议过程

当我们在浏览器中输入URL后，会发生什么？比如https://www.baidu.com
我们可以用curl -v https://www.baidu.com 来研究这个过程，会发现总共有4个子过程。
1、查找域名对应的IP地址

• Rebuilt URL to: https://www.baidu.com/* Trying 14.215.177.38…
  我们可以通过nslookup www.baidu.com模拟这个过程，dns服务器返回两个IP地址，curl会随机选用其中一个IP服务器进行访问。
  
  2、向IP对应的服务器发送SSL协商请求，进行SSL协商
• Connected to www.baidu.com (14.215.177.38) port 443 (#0)
  下图是通过Wireshark抓包获取的协商过程。
  
  3、SSL协商完成后，向IP对应服务器发起GET请求

GET / HTTP/1.1
Host: www.baidu.com
User-Agent: curl/7.54.0
网站会检查是不是真的浏览器访问。需加上User-Agent: Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/70.0.1276.73 Safari/537.36，表明你是浏览器访问即可。有时还会检查是否带Referer信息还会检查你的Referer是否合法。

4、服务器响应请求，发回网页内容
< HTTP/1.1 200 OK
< Connection: keep-alive
< Set-Cookie: BDORZ=27315; max-age=86400; domain=.baidu.com; path=/
<

...

服务器一般会使用cookie来标识用户，如果接受并带上该cookie继续访问，服务器会认为你是一个已标识的正常用户。因此，大部分网站需要使用cookie的来爬取内容。