01 必知必会，掌握HTTP基本原理

01 必知必会，掌握HTTP基本原理

URL和URI

• ​ URL：统一资源定位符
• ​ URI: 统一资源标志符
• ​ 举例：https://github.com/favicon.ico,它是一个URL，也是一个URI，有一个图标资源，我们用URL/URI来唯一指定了它的访问方式：包括访问协议HTTPS、访问路径（即根目录）、以及资源名称 favicon.ico。通过链接，我们从互联网找到这个资源，这就是URL/URI.

超文本

​ 我们在浏览器里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 代码包含了一系列标签，比如 img 显示图片，p 指定显示段落等。浏览器解析这些标签后，便形成了我们平常看到的网页，而网页的源代码 HTML 就可以称作超文本。

HTTP 和 HTTPS

​ 在淘宝的首页 https://www.taobao.com/中，URL 的开头会有 http 或 https，这个就是访问资源需要的协议类型

• HTTP 的全称是 Hyper Text Transfer Protocol，中文名叫作超文本传输协议，HTTP 协议是用于从网络传输超文本数据到本地浏览器的传送协议，它能保证高效而准确地传送超文本文档。目前广泛使用的是 HTTP 1.1 版本。

• HTTPS 的全称是 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。

  HTTPS 的安全基础是 SSL，因此通过它传输的内容都是经过 SSL 加密的，它的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，凡是使用了 HTTPS 的网站，都可以通过点击浏览器地址栏的锁头标志来查看网站认证之后的真实信息，也可以通过 CA 机构颁发的安全签章来查询。

  HTTPS 已经已经是大势所趋。

HTTP请求过程

​ 浏览器输入URL，回车之后看到页面内容。总结为：浏览器发送请求，服务器收到请求后 **判断+处理+解析——>**返回对应的响应，传输给浏览器。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，传输模型如图所示。

[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-EVJecXuT-1639732906450)(01%20%E5%BF%85%E7%9F%A5%E5%BF%85%E4%BC%9A%EF%BC%8C%E6%8E%8C%E6%8F%A1HTTP%E5%9F%BA%E6%9C%AC%E5%8E%9F%E7%90%86.assets/CgpOIF5XRxSANG0_AACovJPtMYQ497.jpg)]

​ 这里访问百度 http://www.baidu.com/，输入该 URL 后回车，观察这个过程中发生了怎样的网络请求。可以看到，在 Network 页面下方出现了一个个的条目，其中一个条目就代表一次发送请求和接收响应的过程，如图所示。[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-JLKnOiUT-1639732906453)(01%20%E5%BF%85%E7%9F%A5%E5%BF%85%E4%BC%9A%EF%BC%8C%E6%8E%8C%E6%8F%A1HTTP%E5%9F%BA%E6%9C%AC%E5%8E%9F%E7%90%86.assets/Cgq2xl5XRxSANsceAAS_kKedSt0173.png)]

• 第一列 Name：请求的名称，一般会将 URL 的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 200，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一个 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 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。

我们点击这个条目即可看到其更详细的信息，如图所示。

[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-83sSaRYi-1639732906454)(01%20%E5%BF%85%E7%9F%A5%E5%BF%85%E4%BC%9A%EF%BC%8C%E6%8E%8C%E6%8F%A1HTTP%E5%9F%BA%E6%9C%AC%E5%8E%9F%E7%90%86.assets/CgpOIF5XRxSAXezkAAJwMNsqow0849.jpg)]

首先是 General 部分，Request URL 为请求的 URL，Request Method 为请求的方法，Status Code 为响应状态码，Remote Address 为远程服务器的地址和端口，Referrer Policy 为 Referrer 判别策略。

有 Response Headers 和 Request Headers，这分别代表响应头和请求头。

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）。

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。

[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-LngeFSuB-1639732906456)(01%20%E5%BF%85%E7%9F%A5%E5%BF%85%E4%BC%9A%EF%BC%8C%E6%8E%8C%E6%8F%A1HTTP%E5%9F%BA%E6%9C%AC%E5%8E%9F%E7%90%86.assets/Cgq2xl5XTMeAFYgXAADGW57EU8s068.png)]

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

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，更多对应关系可以查看此对照表：http://tool.oschina.net/commons。

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）。

响应状态码

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。下表列出了常见的错误代码及错误原因。

[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-LnPJSQ7x-1639732906458)(01%20%E5%BF%85%E7%9F%A5%E5%BF%85%E4%BC%9A%EF%BC%8C%E6%8E%8C%E6%8F%A1HTTP%E5%9F%BA%E6%9C%AC%E5%8E%9F%E7%90%86.assets/Cgq2xl5XTQSAfWsUAAa-jFIsTTw064.png)]

响应体

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。
906458)]

响应体

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。