《HTTP权威指南》学习笔记(三)—HTTP报文

HTTP报文

HTTP:互联网的信使

HTTP报文:信使用来搬东西的包裹

1.报文流

HTTP报文:HTTP应用程序之间发送的数据块

组成:元信息开头(文本形式,描述报文的内容和含义)+可选的数据部分。

2.报文的组成部分

三部分组成:

  • 起始行(描述报文)
  • 首部块(属性)
  • 主体部分(主体)
报文的语法:

两类:请求报文和响应报文

请求报文格式:

<method><request-URL><version>
<headers>
<entity-body>

响应报文格式:

<version><status><reason-phrase>
<headers>
<entity-body>
  • 方法 对资源执行的动作 如GET、POST等
  • 请求URL
  • 版本 HTTP版本,如HTTP/1.1
  • 状态码 status-code 描述请求过程中发生的情况
  • 原因短语
  • 首部
  • 实体的主体部分
起始行

请求行:说明要做些什么

响应行:说明发生了什么

方法:告诉服务器做什么事情

状态码:告诉客户端发生了什么

常见状态码:
200 OK 成功
404 Not Found 未找到

原因短语:文本形式的解释,如HTTP/1.0 200 OK,OK就是原因短语

版本号:HTTP/x.y 告知对方自己所遵循的协议版本

首部

起始行后面跟着0,1或多个HTTP首部字段

HTTP首部字段向请求和响应报文中添加一些附加信息

本质是键值对的列表

方法

安全方法

HTTP请求不会在服务器上产生结果,GET方法和HEAD方法就是安全方法

GET

用于请求服务器发送某个资源

HEAD

与GET方法类似,服务器在响应中只返回首部

PUT

向服务器写入文档(GET是从服务器读取文档)

POST

向服务器输入数据,用它来支持HTML表单

POST用于向服务器发送数据,PUT用于向服务器上的资源中存储数据

TRACE

允许客户端在最终将请求发送给服务器时,看看它变成什么样子

3.状态码

HTTP状态码被分成了五大类

3.1 100——199 信息性状态码

HTTP/1.1向协议中引入信息性状态码,这些状态码相对较新,由于复杂性和感知价值存在一些争议,而受到限制。

3.2 200——299 成功状态码

3.3 300——399 重定向状态码

重定向状态码要么告知客户端使用替代位置来访问他们所感兴趣的资源,要么就提供一个替代的响应而不是资源的内容。

304 Not Modified 若客户端发起GET请求,而最近资源未被修改的话
就应该用这个状态码来说明资源未被修改。带有这个状态码的响应不应该包含实体的主体部分。

3.4 400——499 客户端错误状态码

客户端发送一些服务端无法处理的东西,如格式错误的请求报文,不存在的URL


3.5 500——599 服务器错误状态码

客户端发送有效请求,服务器却出错。

首部

首部和方法配合工作,共同决定客户端和服务器能做什么事情。

在请求报文和响应报文中都可以用首部来提供信息。

首部可以分为5个类型:

  • 通用首部 客户端和服务器都可以使用的通用首部,提供一些通用功能
    如 Date:Sat, 13 Feb 2016 12:09:32 GMT
  • 请求首部 请求报文特有的,为服务器提供一些额外的信息
    如 Accept:image/webp,image/*,*/*;q=0.8
  • 响应首部
  • 实体首部 用于应对实体主体部分的首部
    Content-Type:text/plain; charset=utf-8
  • 拓展首部 非标准的首部,由应用程序开发者创建。





  • 0
    点赞
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
目标检测(Object Detection)是计算机视觉领域的一个核心问题,其主要任务是找出图像中所有感兴趣的目标(物体),并确定它们的类别和位置。以下是对目标检测的详细阐述: 一、基本概念 目标检测的任务是解决“在哪里?是什么?”的问题,即定位出图像中目标的位置并识别出目标的类别。由于各类物体具有不同的外观、形状和姿态,加上成像时光照、遮挡等因素的干扰,目标检测一直是计算机视觉领域最具挑战性的任务之一。 二、核心问题 目标检测涉及以下几个核心问题: 分类问题:判断图像中的目标属于哪个类别。 定位问题:确定目标在图像中的具体位置。 大小问题:目标可能具有不同的大小。 形状问题:目标可能具有不同的形状。 、算法分类 基于深度学习的目标检测算法主要分为两大类: Two-stage算法:先进行区域生成(Region Proposal),生成有可能包含待检物体的预选框(Region Proposal),再通过卷积神经网络进行样本分类。常见的Two-stage算法包括R-CNN、Fast R-CNN、Faster R-CNN等。 One-stage算法:不用生成区域提议,直接在网络中提取特征来预测物体分类和位置。常见的One-stage算法包括YOLO系列(YOLOv1、YOLOv2、YOLOv3、YOLOv4、YOLOv5等)、SSD和RetinaNet等。 四、算法原理 以YOLO系列为例,YOLO将目标检测视为回归问题,将输入图像一次性划分为多个区域,直接在输出层预测边界框和类别概率。YOLO采用卷积网络来提取特征,使用全连接层来得到预测值。其网络结构通常包含多个卷积层和全连接层,通过卷积层提取图像特征,通过全连接层输出预测结果。 五、应用领域 目标检测技术已经广泛应用于各个领域,为人们的生活带来了极大的便利。以下是一些主要的应用领域: 安全监控:在商场、银行
目标检测(Object Detection)是计算机视觉领域的一个核心问题,其主要任务是找出图像中所有感兴趣的目标(物体),并确定它们的类别和位置。以下是对目标检测的详细阐述: 一、基本概念 目标检测的任务是解决“在哪里?是什么?”的问题,即定位出图像中目标的位置并识别出目标的类别。由于各类物体具有不同的外观、形状和姿态,加上成像时光照、遮挡等因素的干扰,目标检测一直是计算机视觉领域最具挑战性的任务之一。 二、核心问题 目标检测涉及以下几个核心问题: 分类问题:判断图像中的目标属于哪个类别。 定位问题:确定目标在图像中的具体位置。 大小问题:目标可能具有不同的大小。 形状问题:目标可能具有不同的形状。 、算法分类 基于深度学习的目标检测算法主要分为两大类: Two-stage算法:先进行区域生成(Region Proposal),生成有可能包含待检物体的预选框(Region Proposal),再通过卷积神经网络进行样本分类。常见的Two-stage算法包括R-CNN、Fast R-CNN、Faster R-CNN等。 One-stage算法:不用生成区域提议,直接在网络中提取特征来预测物体分类和位置。常见的One-stage算法包括YOLO系列(YOLOv1、YOLOv2、YOLOv3、YOLOv4、YOLOv5等)、SSD和RetinaNet等。 四、算法原理 以YOLO系列为例,YOLO将目标检测视为回归问题,将输入图像一次性划分为多个区域,直接在输出层预测边界框和类别概率。YOLO采用卷积网络来提取特征,使用全连接层来得到预测值。其网络结构通常包含多个卷积层和全连接层,通过卷积层提取图像特征,通过全连接层输出预测结果。 五、应用领域 目标检测技术已经广泛应用于各个领域,为人们的生活带来了极大的便利。以下是一些主要的应用领域: 安全监控:在商场、银行
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值