python socket 域名_python爬虫最为核心的HTTP协议解析，及自定义协议的分析

机器之间的协议就是机器通信的语法，只有按照这种语法发来的信息，机器之间才能相互理解内容，也可以理解为信息的一种格式。

HTTP/IP协议是互联网最为重要的协议，没有HTTP/IP协议，也就没有互联跟不会有网，对于爬虫而言一切数据、请求都是围绕HTTP协议展开。

但是在python实现的网络爬虫中都是使用封装好了的请求库如：requests、scrapy、urllib等，这些是对socket的封装，而socket是除了机器语言外最底层的协议。

HTTP是公认的协议，但是并不是所有的终端通信都使用HTTP协议，也有处于保密需求而自定义协议，我们要通过对HTTP协议的分析理解来认来掌握自定义协议的分析思路。

在浏览器开发者模式下，任意截获一个数据包点击view parsed，显示出来的就是原始的HTTP请求头格式及协议请求头格式。

最主要的头两行分析如下，第一行：

   GET / HTTP/1.1 分别是请求方式 请求路径 协议及其版本

/就表示首页，最后的HTTP/1.1指示采用的HTTP协议版本是1.1

从第二行开始，每一行都类似于Xxx: abcdefg：

   Host: mzzd.xyz

表示请求的域名是mzzd.xyz，如果一台服务器有多个网站，服务器就需要通过Host来区分浏览器请求的是哪个网站。

再看HTTP响应及其格式：

HTTP响应分为Header和Body两部分（Body是可选项），我们在Network中看到的Header最重要的几行如下：

   HTTP/1.1 200 OK 分别是协议版本 状态码 说明

200表示一个成功的响应，后面的OK是说明。

   Content-Type: text/html

Content-Type指示响应的内容，浏览器依靠Content-Type来判断响应的内容类型，即使URL是http://www.mzzd.xyz/1.jpg，它也不一定就是图片。

HTTP GET请求的格式：
    GET /path HTTP/1.1
    Header1: Value1
    Header2: Value2
    Header3: Value3
每个Header一行一个，换行符是rn。

HTTP POST请求的格式：
    POST /path HTTP/1.1
    Header1: Value1
    Header2: Value2
    Header3: Value3

    body data goes here...
当遇到连续两个rn时，Header部分结束，后面的数据全部是Body。

HTTP响应的格式：
    200 OK
    Header1: Value1
    Header2: Value2
    Header3: Value3

    body data goes here...
HTTP响应如果包含body，也是通过rnrn来分隔的。

那我们用python实现HTTP客户端：

#coding=utf-8
import socket
from multiprocessing import Process


def handleClient(clientSocket):
    '用一个新的进程，为一个客户端进行服务'
    recvData = clientSocket.recv(2014)
    requestHeaderLines = recvData.splitlines()
    for line in requestHeaderLines:
        print(line)

    responseHeaderLines = "HTTP/1.1 200 OKrn" # 响应首行内容
    responseHeaderLines += "rn" # 响应头与body之间应有一空行
    responseBody = "hello world"

    response = responseHeaderLines + responseBody
    clientSocket.send(response)
    clientSocket.close()


def main():
    '作为程序的主控制入口'

    serverSocket = socket.socket(socket.AF_INET, socket.SOCK_STREAM)
    serverSocket.setsockopt(socket.SOL_SOCKET, socket.SO_REUSEADDR, 1)
    serverSocket.bind(("", 7788))
    serverSocket.listen(5)
    while True:
        clientSocket,clientAddr = serverSocket.accept()
        clientP = Process(target = handleClient, args = (clientSocket,))
        clientP.start()
        clientSocket.close()



if __name__ == '__main__':
    main()

这个客户端的作用就是当你在浏览器访问本地的8000端口，会向浏览器返回hello Word的字符。

说了这么多应该明白HTTP协议其实只是一段文本，只是文本首行是协议头，一空行之后是协议体，按照这种格式那么浏览器就能解析。

而自定义的协议常见于APP中，因为在APP中定义彼此通信的过程、定义通信中相关字段的含义，即使被抓包后那也很难解析，这种情况很少，因为有现成的协议何必去自己弄一套协议，但是遇到之后应该明白如何下手。

甚至可以开发自己基于socket的爬虫库。

------------------------------

ID：Python之战

|作|者|公(zhong)号:python之战

专注Python，专注于网络爬虫、RPA的学习-践行-总结

喜欢研究技术瓶颈并分享，欢迎围观，共同学习。

独学而无友,则孤陋而寡闻！

---------------------------