目录
首先需要了解URL和URI的区别
URI和URL
URL（Universal Resource Locator)即统一资源定位符
URI（Uniform Resource Identifier）即统一资源标志符号
例如：
https://github.com/facicon.ico 即是一个URL，也是一个URI
即有这样的一个图标资源，用URL/URI来唯一指定了他的访问方式。
这其中包含了访问协议HTTPS、访问路径（即根目录）和资源名称favicon.ico
URL是URI的一个子集，也就是说每一个url都是uri，但不是每个uri都是url
url还包括一个子类叫做URN（Universal Resource Name）即统一资源名称
URN只命名资源而不指定如何定位资源
URL、URN和URI的关系图
超文本协议
浏览器里面看到的网页就是超文本解析而成的，其网页源代码是一系列HTML代码，里面包含了一系列标签
比如：
- img 显示图片
- p指定显示段落
- video显示视频
浏览器解析这些标签后，便形成了我们平常看到的网页，而网页源代码HTML就可以称作超文本
HTTP和HTTPS
URL的开头会有http或https，这个就是访问资源需要的协议类型，有时还会看到ftp、sftp、smb开头的URL。
ftp、sftp、smb都是指协议类型（在我们爬虫抓取过程中，一般都是http或者https类型）
http和https的含义
HTTP
http（Hyper Text Transfer Protocol）中文名叫做超文本传输协议
用于从网络传输超文本数据到本地浏览器的传送协议，能保证高效而准确地传送超文本文档。
由万维网协会（World Wide Web Consortium）和Internet工作小组IETF（Internet Engineering Task Force）共同合作指定的规范
HTTPS
https（Hyper Text Transfer Protocol over Secure Socket Layer）
是以安全为目标的HTTP通道，简单讲是HTTP的安全版，即HTTP下加入ssl层，简称为HTTPS安全基础是ssl，因此通过它传输的内容都是经过ssl加密。
主要作用可以分为两种：
- 建立一个信息安全通道，来保证数据传输的安全
- 确认网站的真实性，凡是使用https的网站，都可以通过点击浏览器地址的锁头标志来查看网站认证后的真实信息，也可以通过CA机构颁发的安全签章来查询
HTTP请求过程
请求基础认识
打开chrome浏览器，右击并选择“检查”项即可打开浏览器的开发者工具。点击Network，点击All，可看到7列数据，如图：
- name：请求的名称，一般会将URL的最后一部分内容当作名称
- status：响应的状态码，这里显示200，代表响应正常，通过状态码，可以判断发送了请求之后是否得到了正常响应。
- type：请求的文档类型，第一行为document，代表这次请求的是一个HTML文档，内容就是一些HTML代码。
- initiator：请求源，用来标志请求是由那个对象或者进程发起的
- size：从服务器下载的文件和请求的资源大小，如果是从缓存取得数据，则显示from cache
- time：发起请求到获取响应所用的总时间。
- waterfall：网络请求的可视化瀑布流
点击name里第一条，如图：
- General：【1】Reques url为请求的URL，【2】Request Method为请求的方法 【3】Status Code为响应状态码，【4】Remote Address为远程服务器的地址和端口，【5】Referrer Policy为Referrer判断策略
- Request Headers是请求头，请求头里面带有需要请求信息，例如浏览器标识、cookies、host等信息，这都是请求的一部分，服务器会根据请求头的内的信息判断是否合法，进而作出对应响应。
- Response Headers ：该内容就是响应的一部分，例如其中包含了服务器的类型、文档类型、日期等信息，浏览器接受到响应后，会解析响应内容，进而呈现网页内容
请求
请求，由客户端向服务端发出，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）
请求方法
常见的请求方法有两种：GET 和 POST。
在浏览器中直接输入 URL 并回车，这便发起了一个 GET 请求，请求的参数会直接包含到 URL 里。例如，在百度中搜索 Python，这就是一个 GET 请求，链接为 https://www.baidu.com/s?wd=Python，其中 URL 中包含了请求的参数信息，这里参数 wd 表示要搜寻的关键字。POST 请求大多在表单提交时发起。比如，对于一个登录表单，输入用户名和密码后，点击 “登录” 按钮，这通常会发起一个 POST 请求，其数据通常以表单的形式传输，而不会体现在 URL 中。
GET 和 POST 请求方法有如下区别。
- GET 请求中的参数包含在 URL 里面，数据可以在 URL 中看到，而 POST 请求的 URL 不会包含这些数据，数据都是通过表单形式传输的，会包含在请求体中。
- GET 请求提交的数据最多只有 1024 字节，而 POST 请求没有限制。
平常遇到的绝大部分请求都是 GET 或 POST 请求，另外还有一些请求方法，如 HEAD、PUT、DELETE、OPTIONS、CONNECT、TRACE 等
请求头
请求头，用来说明服务器要使用的附加信息，比较重要的信息有 Cookie、Referer、User-Agent 等。下面简要说明一些常用的头信息。
- 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。从 HTTP 1.1 版本开始，请求必须包含此内容。
- 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，我们输入用户名和密码成功登录某个网站后，服务器会用会话保存登录状态信息，后面我们每次刷新或请求该站点的其他页面时，会发现都是登录状态，这就是 Cookies 的功劳。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 并将其发送给服务器，服务器通过 Cookies 识别出是我们自己，并且查出当前状态是登录状态，所以返回结果就是登录之后才能看到的网页内容。
- 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：简称 UA，它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：也叫互联网媒体类型（Internet Media Type）或者 MIME 类型，在 HTTP 协议消息头中，它用来表示具体请求中的媒体类型信息。例如，text/html 代表 HTML 格式，image/gif 代表 GIF 图片，application/json 代表 JSON 类型
请求体
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。
响应
响应，由服务端返回给客户端，可以分为三部分：响应状态码（Response Status Code）、响应头（Response Headers）和响应体（Response Body）。
响应头
响应头包含了服务器对请求的应答信息，如 Content-Type、Server、Set-Cookie 等。下面简要说明一些常用的响应头信息。
- Date：标识响应产生的时间。
- 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：包含服务器的信息，比如名称、版本号等。
- Content-Type：文档类型，指定返回的数据类型是什么，如 text/html 代表返回 HTML 文档，application/x-javascript 则代表返回 JavaScript 文件，image/jpeg 则代表返回图片。
- Set-Cookie：设置 Cookies。响应头中的 Set-Cookie 告诉浏览器需要将此内容放在 Cookies 中，下次请求携带 Cookies 请求。
- Expires：指定响应的过期时间，可以使代理服务器或浏览器将加载的内容更新到缓存中。如果再次访问时，就可以直接从缓存中加载，降低服务器负载，缩短加载时间。
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，就可以看到网页的源代码，也就是响应体的内容，它是解析的目标。
639
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
