一、HTTP和HTTPS协议的定义
HTTP协议(HyperText Transfer Protocol,超文本传输协议)是因特网上应用最为广泛的一种网络传输协议,所有的WWW文件都必须遵守这个标准。
HTTPS协议:是HTTP协议的加密版本,在HTTP下加入了SSL层,使数据在传输过程中更加安全
HTTP协议(HyperText Transfer Protocol,超文本传输协议)是因特网上应用最为广泛的一种网络传输协议,所有的WWW文件都必须遵守这个标准。
二、HTTP在浏览器中请求的过程
1、当用户在浏览器的地址中输入一个URL并按回车键之后,浏览器会向HTTP服务器发送HTTP请求。HTTP请求主要分为 “Get” 和 “Post” 两种方法 。
2、当我们行浏览器输入 URL http://www.baidu.com 的时候,浏览器发送一个 Request 请求去获取 http://www.baidu.com 的 html 文件,服务器把Response文件对象发送回给浏览器。
3、浏览器分析 Response 中的 HTML,发现其中引用了很多其他文件,比如 Images 文件,Css 文件,JS 文件。浏览器会自动再次发送Request 去获取图片,Css 文件,或者 JS 文件。
4、当所有的文件都下载成功后,网页会根据 HTML 语法结构,完整的显示出来。
三、URL详解
URL 是 Uniform Resource Locator 的简写,统一资源定位符。
scheme://host:port/path/?query-string=xxx#anchor
- scheme: 代表的是访问的协议,一般为 http 或 https 以及 ftp 等
- host:主机名,域名,比如 www.baidu.com
- port:端口号。当你访问一个网站时,浏览器默认使用的80端口
- path:查找路径。比如:www.jianshu.com/trending/now 后面的 trending/now 就是path。
- query-string:查询字符串,比如:www.baidu.com/s?wd=python 后面的 wd=python 就是查询字符串。
- anchor:锚点,后台一般不用管,前端用来丛页面定位的
在浏览器中请求一个 url ,浏览器会对这个 url 进行一个编码。除英文字母,数字和部分符号外,其他全部使用百分号 + 十六进制码值进行编码。
四、常用的请求方式
在 http 协议中,定义了八种请求方式。我们现在主要介绍两种方式,分别是 get 请求和 post 请求
- get请求:一般情况下,只从服务区获取数据下来,并不会对服务器资源产生任何影响的时候回使用 get 请求。
- post请求:向服务器发送数据 (登入)、上传文件等,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。并且一般情况下都会遵循使用的原则。但是有的网站和服务器为了做反爬机制,也经常会不按常理出牌,有可能一个应该使用 get 方法的请求就一定要改成 post 请求,这个要视情况而定。
五、请求头常见参数
在 Http 协议中,向服务器发送一个请求,数据分为三部分,第一个是把数据放在 url 中,第二个是把数据放在 body 中(在 post 请求中),第三个就是把数据放在 head 中。这里介绍网络爬虫中经常用到的一些请求头参数。
- 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这个请求是由哪种浏览器发送的。如果我们是通过爬虫重发送请求,那么我们的 Urse-Agent 就是 python 这对于那些有反爬虫机制的网站来说,可以轻易的判断你这个请求就是爬虫。因此我们要经常设置这个值为一些浏览器的值,来伪装我们的爬虫。
- 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。若果不是从指定页面过来,那么就不做相关的响应。
- Cookie : http 协议是无状态的。也就是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。因此这时候就用 Cookie 来做标识。一般如果想要登入后才能访问的网站,那么就需要发送 cookie 信息了。
六、常见响应状态码
- 200:请求正常。服务器正常的返回数据。
- 301:永久重定向。比如在访问 www.jingdong.com 的时候就会重定向到 www.jd.com。
- 302:临时重定向。比如在访问一个需要登入的页面的时候,而此时没有登入,那么就会重定向到登入页面。
- 400:请求的 rul 在服务器上找不到。换句话说就是请求 url 错误。
- 403:服务器拒绝访问。权限不够。
- 500:服务器内部错误。可能是服务器出现 bug 了。
七、Chrome抓包工具
Charme浏览器是一个非常接近开发者的浏览器。可以方便的查看网络请求以及发送的参数。对着网页 右键–>检查。然后就可以打开开发者选项。如图所示。