想玩爬虫？你需要知道一些简单的知识（一）（http）

一、http基本原理：

URI：统一资源标识符
URL：统一资源定位符
简单来说就是网址，https://www.douban.com/是豆瓣首页的网址，它就是一个URL也是URI。（只是一般情况，其中还有很多细化的知识）

超文本：我们平时看到的网页就是有超文本解析而来，包括图片文字等内容，在浏览器中点击“检查”或者按F12就可以看见HTML源代码，这些代码就是超文本。

协议：简单理解为“规定”，我们访问资源，需要有某些统一的格式、方式等，都由协议规定。网络协议就如同现实世界中的法律。

在URL的开头会有协议，有很多类型，http、https、ftp、sftp、smb等。（可参考书籍：计算机网络）

爬取页面通常要用到的是http和https协议。
HTTP，超文本传输协议，从网络传输超文本数据到本地浏览器的传送协议。
HTTPS，超文本传输安全协议，HTTP的安全版。主要有两个作用：1.建立一个信息安全的通道来保证数据传输的安全；2.确认网站的真实性（点击锁头可查看网站认证之后的真实信息，知识CA机构信任的）。

在浏览器中输入一个URL ，回车，在浏览器中观察到页面内容。这个过程是浏览器向网站所在的服务器发送了一个请求，服务器接收到这个请求后进行处理和解析，然后返回对应的响应，接着传回给浏览器响应里包含了页面的源代码等内容，浏览器再对其进行解析，便将网页呈现了出来。（在浏览器中按F12或者点击右键选择检查就可查看请求和响应的过程）
第一列Name：请求的名称，一般会将RL最后一部分内容当作名称。
第二列Status：响应的状态码，这里显示为 00 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，这里为document ，代表我们这次请求的是HTML文档，内容就是一些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的资源大小如果是从缓存中取得的资源，则该列会显示台from cache。
第六列Time：发起请求到获取响应所用的总时间。
第七列Waterfall：网络请求的可视化瀑布流。

点开某一个条目可查看具体信息。
General部分：

Request URL：请求的 URL
Request Method：请求的方法
Status Code：为响应状态码
Remote Address：为远程服务器的地址和端口
Referrer Policy Referrer：判别策略

响应头Response Headers：
Date：响应产生的时间。
Last-Modified：指定资源 最后修改。
Content-Encoding：指定 容的编码。
Server：包含服务器的信息 ，比如 、版本号等。
Content-Type：文档类型 ，指定返回的 类型是 ，如 tex t/ htm 代表返回 HTML 文档，application/x-javascript !J! 返回 JavaScript 件， image jpeg 代表返回图片。
Set Cookie：设置 Cookie 应头中的 Set Cook 告诉浏览器需要将此内容放在 Cookies次请求携带Cookies 请求。
Expires：响应的过期时间，可以使代理务器或浏览器将加载的内容更新到缓存中。如果再次访时，就可直接从缓存中加载，降低服务器负载，缩短加载时间。

请求头Request Headers：

Accept：请求报头域，用于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：也常用复数形式 Cookies ，这是网站为了辨别用户进行会话跟踪而存储在用户本地的数据，它的主要功能是维持当前访问会话，例如登陆以后再次打开还是登陆状态。
Referer ：此内容用来标识这个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：UA ，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：也叫互联网媒体类型（ Internet Media Type ）或者 MIME 类型，在 HTT 协议消息头中，它用来表示具体请求中的媒体类型信息。
在爬虫中，如果要构造 POST 请求，需要使用正确的 Content-Type。

请求：
可以分为4部分内容：请求方法（ Request Method 请求的网址( Request URL ）、请求头（ Request Headers 请求体（ Request Body）。

请求体：一般承载的内容是 POST 请求中的表单数据，而对于 GET 请求，请求体则为空。

方法：GET、POST（大多在表单提交时发起，例如登陆时）。
区别：
1.GET 请求中的参数包含在 URL 里面，数据可以在 URL 中看到（所以通常不用于登陆因为会能看到密码），而 POST 请求的 URL 会包含这些数据，数据都是通过表单形式传输的，会包含在请求体中；
2.GET 请求提交的数据最多只有 1024 字节，而 POST 方式没有限制。
当然还有很多其他的请求方法。

响应：
由服务端返回给客户端，可以分为部分：响应状态码（ Response Status Code ）、响应头( Response Headers ）和响应体（ Response Body）。

响应状态码：表示服务器响应状态，如 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。

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；请求一张图片时的响应体就是图片的二进制数据，做爬虫请求网页后，要解析的内容就是响应体（点击Preview可查看）。如下图CSDN的首页：

注：此系列博文是本人阅读书籍《Python3网络爬虫开发实战的笔记》的笔记，意在复习巩固自己的知识。想要深入了解的建议阅读《计算机网络》，里面讲解的很全。