HTTP：实体(body)数据

数据类型和编码

为什么需要

• 在TCP/IP协议栈里，传输数据基本上都是"header+body"的格式。但是TCP、UDP因为是传输层的协议，它们不会关心body数据是什么，只是要把数据发送到对方就算是完成了任务。

• 而HTTP协议则不同，它是应用层协议，数据到达之后工作只能说是完成了一半，还必须告诉上层应用这是什么数据才行，否则上层应用就会“不知所措”

• 你可以设想一下，假如 HTTP 没有告知数据类型的功能，服务器把“一大坨”数据发给了浏览器，浏览器看到的是一个“黑盒子”，这时候该怎么办呢？

• 当然，它可以“猜”。因为很多数据都是有固定格式的，所以通过检查数据的前几个字节也许就能知道这是个 GIF 图片、或者是个 MP3 音乐文件，但这种方式无疑十分低效，而且有很大几率会检查不出来文件类型。

• 幸运的是，早在HTTP协议诞生之前就已经有了针对这种问题的解决方案，不过它是用在电子邮件系统里的，让电子邮件可以发送ASCII码以外的任意数据，方案的名字叫做“多用途互联网邮件扩展”（Multipurpose Internet MailExtensions），简称为 MIME。

• MIME是一个很大的标准规范，但HTTP只取了其中的一部分， 用来标记body的数据类型，这就是“MIME type”

MIME把数据分成了八类，每个大类下在细分出多个子类，形式是“type/subtype”的字符串。常见的有：

• text：即文本格式的可读数据，我们最熟悉的应该就是text/html 了，表示超文本文档，此外还有纯文本text/plain、样式表 text/css 等。
• image：即图像文件，有 image/gif、image/jpeg、image/png 等。
• audio/video：音频和视频数据，例如 audio/mpeg、video/mp4 等。
• application：数据格式不固定，可能是文本也可能是二进制，必须由上层应用程序来解释。常见的有application/json，application/javascript、
  application/pdf 等，另外，如果实在是不知道数据是什么类型，像刚才说的“黑盒”，就会是application/octet-stream，即不透明的二进制数据。

但仅有MIME Type还不够，因为HTTP在传输时为了节约带宽，有时候还会压缩数据，为了不要让浏览器继续“猜”，还需要有一个“Encoding type”，告诉数据是用的什么编码，这样对方才能正确解压缩，还原出原始的数据

比起 MIME type 来说，Encoding type 就少了很多，常用的只有下面三种：

• gzip：GNU zip 压缩格式，也是互联网上最流行的压缩格式；
• deflate：zlib（deflate）压缩格式，流行程度仅次于gzip；
• br：一种专门为 HTTP 优化的新压缩算法（Brotli）。

数据类型使用的头字段

有了MIME type和Encoding type，无论是浏览器还是服务器就可以轻松识别出body的类型，也就能够正确处理数据了。

HTTP协议为此定义了两个Accept请求头字段和两个Content实体头字段，用于客户端和服务器进行“内容协商”。也就是说，客户端用Accept头告诉服务器希望接收什么样的数据，而服务器用Content头告诉客户端实际发送了什么样的数据。

（1）Accept字段标记的是客户端可理解的 MIME type，可以用“,”做分隔符列出多个类型，让服务器有更多的选择余地。

• 如下面，客户端告诉服务器：“我能够看懂 HTML、XML 的文本，还有 webp 和 png 的图片，请给我这四类格式的数据”

Accept: text/html,application/xml,image/webp,image/png

• 相应的，服务器会在响应报文里用头字段Content-Type告诉实体数据的真实类型
  • 如下面，浏览器看到报文里的类型是“text/html”就知道是HTML 文件，会调用排版引擎渲染出页面

Content-Type: text/html

（2）Accept-Encoding字段标记的是客户端支持的压缩格式

• 例如上面说的 gzip、deflate 等，同样也可以用“,”列出多个，服务器可以选择其中一种来压缩数据，实际使用的压缩格式放在响应头字段Content-Encoding里。

Accept-Encoding: gzip, deflate, br
Content-Encoding: gzip

• 不过这两个字段是可以省略的，如果请求报文里没有Accept-Encoding字段，就表示客户端不支持压缩数据；如果响应报文里没有Content-Encoding字段，就表示响应数据没有被压缩

语言类型与编码

为什么需要

• MIME type 和 Encoding type 解决了计算机理解 body 数据的问题，但互联网遍布全球，不同国家不同地区的人使用了很多不同的语言，虽然都是 text/html，但如何让浏览器显示出每个人都可理解可阅读的语言文字呢？
• 为此，HTTP引入了两个概念：“语言类型和字符集”
• 关于“语言类型”
  • 所谓的“语言类型”就是人类使用的自然语言，例如英语、汉语、日语等，而这些自然语言可能还有下属的地区性方言，所以在需要明确区分的时候也要使用“typesubtype”的形式，不过这里的格式与数据类型不同，分隔符不是“/”，而是“-”。
  • 举几个例子：en 表示任意的英语，en-US 表示美式英语，en-GB 表示英式英语，而 zh-CN 就表示我们最常使用的汉语。
• 关于“字符集”
  • 在计算机发展的早期，各个国家和地区的人们“各自为政”，发明了许多字符编码方式来处理文字，比如英语世界用的 ASCII、汉语世界用的 GBK、BIG5，日语世界用的Shift_JIS 等。同样的一段文字，用一种编码显示正常，换另一种编码后可能就会变得一团糟。
  • 所以后来就出现了 Unicode 和 UTF-8，把世界上所有的语言都容纳在一种编码方案里。

语言类型使用的头字段

同样的，HTTP 协议也使用 Accept请求头字段和 Content实体头字段，用于客户端和服务器就语言与编码进行“内容协商
（1） Accept-Language字段标记了客户端可理解的自然语言，也允许用“,”做分隔符列出多个类型

• 下面这个请求头会告诉服务器：“最好给我 zh-CN 的汉语文字，如果没有就用其他的汉语方言，如果还没有就给英文”。

Accept-Language: zh-CN, zh, en

• 相应的，服务器应该在响应报文里用头字段Content-Language告诉客户端实体数据使用的实际语言类型：
  • 下面这个响应头会告诉客户端：是使用了zh-CN 的汉语文字

Content-Language: zh-CN

（2）字符集在 HTTP 里使用的请求头字段是Accept-Charset，但响应头里却没有对应的 Content-Charset，而是在Content-Type字段的数据类型后面用“charset=xxx”来表示，这点需要特别注意。

• 例如，浏览器请求 GBK 或 UTF-8 的字符集，然后服务器返
  回的是 UTF-8 编码，就是下面这样：

Accept-Charset: gbk, utf-8
Content-Type: text/html; charset=utf-8

• 不过现在的浏览器都支持多种字符集，通常不会发送Accept-Charset，而服务器也不会发送 ContentLanguage，因为使用的语言完全可以由字符集推断出来，所以在请求头里一般只会有 Accept-Language 字段，响应头里只会有 Content-Type 字段。
  

内容协商的质量值

• 在 HTTP 协议里用 Accept、Accept-Encoding、AcceptLanguage 等请求头字段进行内容协商的时候，还可以用一种特殊的“q”参数表示权重来设定优先级，这里的“q”是“quality factor”的意思。

• 权重的最大值是 1，最小值是 0.01，默认值是 1，如果值是0 就表示拒绝。具体的形式是在数据类型或语言代码后面加一个“;”，然后是“q=value”

• 这里要提醒的是“;”的用法，在大多数编程语言里“;”的断句语气要强于“,”，而在 HTTP 的内容协商里却恰好反了过来，“;”的意义是小于“,”的。

例如下面的 Accept 字段：

Accept: text/html,application/xml;q=0.9,*/*;q=0.8

• 它表示浏览器最希望使用的是 HTML 文件，权重是 1，
• 其次是 XML 文件，权重是 0.9
• 最后是任意数据类型，权重是 0.8。
• 服务器收到请求头后，就会计算权重，再根据自己的实际情况优先输出 HTML 或者 XML。

内容协商的结果

内容协商的过程是不透明的，每个web服务器使用的算法都不一样。但有的时候，服务器会在响应头里多加一个Vary字段，记录服务器在内容协商时参考的请求头字段，给出一点信息，比如：

Vary: Accept-Encoding,User-Agent,Accept

• 这个Vary字段表示了服务器依据了Accept-Encoding,User-Agent,Accept这三个头字段，然后决定了发回的响应报文
• Vary字段可以认为是响应报文的一个特殊的“版本标记”。每当Accept等请求头变化时，Vary也会随着响应报文一起变化。也就是说，同一个URI可能会有多个不同的“版本”，主要用在传输链路中间的代理服务器实现缓存服务

总结

• 数据类型表示实体数据的内容是什么，使用的是 MIME type，相关的头字段是 Accept 和 Content-Type；
• 数据编码表示实体数据的压缩方式，相关的头字段是Accept-Encoding 和 Content-Encoding；
• 语言类型表示实体数据的自然语言，相关的头字段是Accept-Language 和 Content-Language；
• 字符集表示实体数据的编码方式，相关的头字段是Accept-Charset 和 Content-Type；
• 客户端需要在请求头里使用 Accept 等头字段与服务器进行“内容协商”，要求服务器返回最合适的数据；
• Accept 等头字段可以用“,”顺序列出多个可能的选项，还可以用“;q=”参数来精确指定权重。