如果你连HTTP原理都不清楚！那你爬个屁呢！神级程序员详解！超长

HTTP基本原理

在本节我们会详细了解 HTTP 的基本原理，了解在浏览器中敲入一个 URL 到获取网页内容发生了一个怎样的过程，了解了这些内容，有助于去进一步了解爬虫的基本原理。小编推荐大家加一下这个群：330637182 这个群里好几千人了！大家遇到啥问题都会在里面交流！而且免费分享零基础入门料资料web开发 爬虫资料一整套！是个非常好的学习交流地方！也有程序员大神给大家热心解答各种问题！很快满员了。欲进从速哦！各种PDF等你来下载！全部都是免费的哦！所以小编在群里等你们过来一起交流学习呢！

关于爬虫的HTTP原理，看完这一长篇就够了！（附三大爬虫案例）

Python程序员

2 个月前

HTTP基本原理

在本节我们会详细了解 HTTP 的基本原理，了解在浏览器中敲入一个 URL 到获取网页内容发生了一个怎样的过程，了解了这些内容，有助于去进一步了解爬虫的基本原理。

1. URI、URL

在了解 HTTP 之前我们先了解一下 URI 和 URL。我们经常会听到 URI 和 URL 两个术语，URI 全称为 Uniform Resource Identifier，即统一资源标志符，URL 全称为 Uniersal Resource Locator，即统一资源定位符。

举例来说，https://github.com/faicon.ico，这是 GitHub 的网站图标链接，它是一个 URL，也是一个 URI，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，资源名称 faicon.ico，通过这样的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。

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 还包括一个子类叫做 URN，它的全称为 Uniersal 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，如 urn:isbn:0451450523，它指定了一本书的 ISBN，可以唯一标识这一本书，但是没有指定到哪里定位这本书，这就是 URN，URL、URN、URI 的关系可以用图表示如下：

URL、URN、URI 关系图

但是在目前的互联网，URN 的使用非常少，所以几乎所有的 URI 都是 URL，所以一般的网页链接我们可以称之为 URL，也可以称之为 URI，我个人习惯称之为 URL。

是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。

现在越来越多的网站和 APP 都已经向 HTTPS 方向发展。例如：

苹果公司强制所有 iOS App 在 2017 年 1 月 1 日 前全部改为使用 HTTPS 加密，否则 APP 就无法在应用商店上架。

谷歌从 2017 年 1 月推出的 Chrome 56 开始，对未进行 HTTPS 加密的网址链接亮出风险提示，即在地址栏的显著位置提醒用户“此网页不安全”。

腾讯小程序的官方需求文档要求后台使用 HTTPS 请求进行网络通信，不满足条件的域名和协议无法请求。

12306 页面

这是因为 12306 的 CA 证书是中国铁道部自己颁发给自己的，而这个证书是不被官方机构认可的，所以这里证书验证就不会通过而提示这样的话，但是实际上它的数据传输依然是经过 SSL 加密的。我们如果要爬取这样的站点就需要设置忽略证书的选项，否则会提示 SSL 链接错误，在后文会进行详细说明。

网络请求记录

这一个条目的各列分别代表：

第一列 Name，即 Request 的名称。一般会用URL的最后一部分内容当做名称。

第二列 Status，即 Response 的状态码。这里显示为 200，代表 Response 是正常的，通过状态码我们可以判断发送了 Request 之后是否得到了正常的 Response。

第三列 Type，即 Request 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，即请求源。用来标记 Request 是由哪个对象或进程发起的。

第五列 Size，即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，即发起 Request 到获取到 Response 所用的总时间。

第七列 Timeline，即网络请求的可视化瀑布流。

方法描述

GET请求指定的页面信息，并返回实体主体。

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向指定资源提交数据进行处理请求，数据被包含在请求体中。

PUT从客户端向服务器传送的数据取代指定的文档的内容。

DELETE请求服务器删除指定的页面。

CONNECTHTTP/1.1 协议中预留给能够将连接改为管道方式的代理服务器。

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。

详细信息

在登录之前我们填写了用户名和密码信息，提交时就这些内容就会以 Form Data 的形式提交给服务器，此时注意 Request Headers 中指定了 Content-Type 为 application/x-www-form-urlencoded，只有设置 Content-Type 为 application/x-www-form-urlencoded 才会以 Form Data 形式提交，另外我们也可以将 Content-Type 设置为 application/json 来提交 Json 数据，或者设置为 multipart/form-data 来上传文件。

下面列出了 Content-Type 和 POST 提交数据方式的关系：

Content-Type提交数据方式

application/x-www-form-urlencodedForm 表单提交

multipart/form-data表单文件上传提交

application/json序列化 Json 数据提交

text/xmlXML 数据提交

在爬虫中如果我们要构造 POST 请求需要注意这几种 Content-Type，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 提交后得不到正常的 Response。

以上便是对 Request 各部分内容的解释。

状态码说明详情

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成功服务器已成功处理了请求。

201已创建请求成功并且服务器创建了新的资源。

202已接受服务器已接受请求，但尚未处理。

203非授权信息服务器已成功处理了请求，但返回的信息可能另一来源。

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，重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。

305使用代理请求者应该使用代理访问该网页。

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禁止访问服务器拒绝此请求。

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请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不支持类型请求的格式不受请求页面的支持。

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，从上游服务器收到无效响应。

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器收到请求。

505HTTP 版本不支持服务器不支持请求中所用的 HTTP 协议版本。

谢谢阅读！如有侵权请联系小编删除