文章目录
前言
今日份关键词：URI、请求、响应
一、URI和URL
URI的全称为Uniform Resource Identifier,即统一资源标志符
URL的全称为Universal Resource Locator,即统一资源定位符
举例来说，https://baidu.com是百度的网站图标链接，它是一个URI，也是一个URL。
即有这样的一个图标资源，我们用URL/URI来唯一指定了它的访问方式，这其中包括了访问协议https、访问路径（/即根目录）和资源名称。通过这样一个链接，我们便可以从互联网上找到这个资源，这就是URL/URI。
我们可以说，URL+URN=URI。URL是URI的子集，也就是说每个URL都是URI，但不是每个URI都是URL。那么，怎样的URI不是URL呢？URI还包括一个子类叫URN，它的全称为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，比如urn:isbn:xxxxxxxxxx指定了一本书的ISBN，可以唯一标识这本书，但是没有指定到哪里定位这本书。
但是在目前的互联网中，URN用得非常少，所以几乎所有的URI都是URL，一般的网页链接我们既可以称为URL，也可以称为URI。
二、请求(Request)
请求的内容： 请求，由客户端向服务端发出，可以分为4部分内容：a、请求方法（Request Method），b、请求的网址（Request URL），c、请求头（Request Header）、d、请求体（Request Body）。
1、请求方法（Request Method）
a、常见的请求方法：GET和 POST
- GET请求，请求的参数会直接包含到URL里
- POST请求，其数据通常以表单的形式传输，而不会体现在URL中。
b、GET和 POST请求方法有如下区别：
- GET请求中的参数包含到URL里；而POST请求中的参数在请求体，不包含到URL里。
- GET请求提交的数据最多只有1024字节，而POST方式没有限制。
一般来说，登录时需要提交用户名和密码，其中包含了敏感信息，使用GET方式请求的话，密码就会暴露在URL里面，造成密码泄露，所以这里最好以POST方式发送。
上传文件时，由于文件内容比较大，也会选用POST方式。
c、请求方法和描述
| 方法 | 描述 |
|---|---|
| GET | 请求页面，并返回页面内容 |
| HEAD | 类似于GET请求，只不过返回的响应中没有具体的内容，用于获取报头 |
| POST | 大多用于提交表单或上传文件，数据包含在请求体中 |
| PUT | 从客户端向服务器传送的数据取代指定文档中的内容 |
| DELETE | 请求服务器删除指定的页面 |
| CONNECT | 把服务器当作跳板，让服务器代替客户端访问其他网页 |
| OPTIONS | 允许客户端查看服务器的性能 |
| TRACE | 回显服务器收到的请求，主要用于测试或诊断 |
2、请求的网址（Request URL）
- 请求的网址，即统一资源定位符URL，它可以唯一确定我们想请求的资源
3、请求头（Request Header）
- 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号 - Host: 用于指定请求资源的主机IP和端口号，其内容为请求URI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。它的主要功能时维持当前访问会话。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，如作来源统计、防盗链处理等。
- User-Agent: 简称UA，它是一个特色的字符串头，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
请求头是请求的重要组成部分，在写爬虫时，大部分情况下都是需要设定请求头。
4、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。如下便是请求页面：
5、Content-Type和POST提交数据方式的关系
| Content-Type | 提交数据的方式 |
|---|---|
| application/x-www-form-urlencoded | 表单数据 |
| multipart/form-data | 表单文件上传 |
| application/json | 序列化JSON数据 |
| text/xml | XML数据 |
| 在爬虫中，如果要构造POST请求，需要使用正确的Content-Type，并了解各种请求库的各个参数设置时使用的是哪种Content-Type，不然可能会导致POST提交后无法正常响应。 |
三、响应（Response）
响应的内容： 响应，由服务端返回给客户端。可以分为三部分：a、响应状态码（Response Status Code），b、响应头（Response Headers），c、响应体（Response Body）
1、响应状态码（Response Status Code）
响应状态码表示服务器的响应状态。
- 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。
在爬虫中，我们可以根据状态码来判断服务器响应状态，如状态码为200，则证明成功返回数据，再进行进一步的处理，否则直接忽略。如下列出了常见的错误代码及错误原因。
| 状态码 | 含义 | 解释 |
|---|---|---|
| 100 | 继续 | 请求者应当继续提出请求 服务器已收到请求的一部分，正在等待其余部分 |
| 101 | 切换协议 | 请求者已要求服务器切换协议，服务器已确认并准备切换 |
| 200 | 成功 | 服务然已成功处理了请求 |
| 201 | 已创建 | 请求成功并且服务器创建了新的资源 |
| 202 | 已接收 | 服务然已接受请求，但尚未处理 |
| 203 | 非授权信息 | 服务器已成功处理了请求，但返回的信息可能来自另 一个源 |
| 204 | 无内容 | 服务器成功处理了请求 但没有返回任何内容 |
| 205 | 重置内容 | 服务器成功处理了请求，内容被重置 |
| 206 | 部分内容 | 服务器成功处理了部分请求 |
| 300 | 多种选择 | 针对请求，服务器可执行多种操作 |
| 301 | 永久移动 | 请求的网页已永久移动到新位置，即永久重定向 |
| 302 | 临时移动 | 请求的网页暂时跳转到其他页面，即暂时重定向 |
| 303 | 查看其他位置 | 如果原来的请求是 POST 定向目标文档应该通过 GET 提取 |
| 304 | 未修改 | 此次请求返回的网页未修改 继续使用上次的资源 |
| 307 | 临时重定向 | 请求的资源临时从其他位置响应 |
| 400 | 错误请求 | 服务器无法解析该请求 |
| 401 | 未授权 | 请求没有进行身份验证或验证未通过 |
| 403 | 禁止访问 | 服务将拒绝此请求 |
| 404 | 未找到 | 服务器找不到请求的网页 |
| 405 | 方法禁用 | 服务器禁用了请求中指定的方法 |
| 406 | 不接受 | 无法使用请求的内容响应请求的网页 |
| 407 | 需要代理授权 | 请求者需要使用代理授权 |
| 408 | 请求超时 | 服务器请求超时 |
| 409 | 冲突 | 服务器在完成请求时发生冲突 |
| 410 | 已删除 | 请求的资源已永久删除 |
| 411 | 需要有效长度 | 服务器不接受不含有效内容长度标头字段的请求 |
| 412 | 未满足前提条件 | 服务器未满足请求者在请求中设置的其中一个前提条件 |
| 413 | 求实体过大 | 请求实体过大，超出服务器的处理能力 |
| 414 | 请求 URI 过长 | 请求网址过长，服务器无法处理 |
| 415 | 不支持类型 | 请求格式不被请求页面支持 |
| 416 | 请求范围不符 | 页面无法提供请求的范围 |
| 417 | 未满足期望值 | 服务器未满足期望请求标头字段的要求 |
| 500 | 服务器内部错误 | 服务器遇到错误，无法完成请求 |
| 501 | 未实现 | 服务器不具备完成请求的功能 |
| 502 | 错误网关 | 服务器作为网关或代理 从上游服务然收到无效响应 |
| 503 | 服务不可用 | 服务器目前无法使用 |
| 504 | 网关超时 | 服务器作为网关或代理，但是没有及时从上游服务收到请求 |
| 505 | HTTP 版本不支持 | 服务器不支持请求中所用的 HTTP 协议版本 |
通过观察，我们可以总结出以下规律： 5开头一般是服务器问题相关的；4开头一般是请求有错误的；3开头一般是需要优化的内容；2开头一般是请求比较成功。
2、响应头（Response Headers）
响应头包含了服务器对请求的应答信息：
- Data: 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。
3、响应体（Response Body）
最重要的当属响应体的内容，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。在做爬虫时，我们主要通过响应体得到网页的源代码、JSON数据等，然后从中做相应内容的提取。
总结
以上就是今天要总结的内容，本文仅仅围绕Python爬虫简单介绍了与URL、请求和响应相关的内容。夜已深，睡觉zzzZZZZ
5706
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
