爬虫基础-http请求的基础知识

  1. 云栖社区>
  2. 博客>
  3. 正文

爬虫基础-http请求的基础知识

桃西子牛 2017-04-07 10:01:00 浏览772
展开阅读全文

百度百科上这么介绍爬虫:

网络爬虫(又被称为网页蜘蛛,网络机器人,在FOAF社区中间,更经常的称为网页追逐者),是一种按照一定的规则,自动地抓取万维网信息的程序或者脚本。

在开发爬虫时常用的工具:chrome浏览器,fiddler工具,postman插件。

有关fiddler知识的地址:http://kb.cnblogs.com/page/130367/

下面普及最基础的知识:Http请求。(下面知识来源于:http://www.runoob.com/http/http-intro.html

定义

HTTP协议是Hyper Text Transfer Protocol(超文本传输协议)的缩写,是用于从万维网(WWW:World Wide Web )服务器传输超文本到本地浏览器的传送协议。TTP是一个基于TCP/IP通信协议来传递数据(HTML 文件, 图片文件, 查询结果等)。

工作原理

HTTP协议工作于客户端-服务端架构为上。浏览器作为HTTP客户端通过URL向HTTP服务端即WEB服务器发送所有请求。

Web服务器有:Apache服务器,IIS服务器(Internet Information Services)等。

Web服务器根据接收到的请求后,向客户端发送响应信息。HTTP默认端口号为80,但是你也可以改为8080或者其他端口。

HTTP三点注意事项:

  • HTTP是无连接:无连接的含义是限制每次连接只处理一个请求。服务器处理完客户的请求,并收到客户的应答后,即断开连接。采用这种方式可以节省传输时间。
  • HTTP是媒体独立的:这意味着,只要客户端和服务器知道如何处理的数据内容,任何类型的数据都可以通过HTTP发送。客户端以及服务器指定使用适合的MIME-type内容类型。
  • HTTP是无状态:HTTP协议是无状态协议。无状态是指协议对于事务处理没有记忆能力。缺少状态意味着如果后续处理需要前面的信息,则它必须重传,这样可能导致每次连接传送的数据量增大。另一方面,在服务器不需要先前信息时它的应答就较快。

HTTP 消息结构:

HTTP是基于客户端/服务端(C/S)的架构模型,通过一个可靠的链接来交换信息,是一个无状态的请求/响应协议。

一个HTTP"客户端"是一个应用程序(Web浏览器或其他任何客户端),通过连接到服务器达到向服务器发送一个或多个HTTP的请求的目的。

一个HTTP"服务器"同样也是一个应用程序(通常是一个Web服务,如Apache Web服务器或IIS服务器等),通过接收客户端的请求并向客户端发送HTTP响应数据。

HTTP使用统一资源标识符(Uniform Resource Identifiers, URI)来传输数据和建立连接。

一旦建立连接后,数据消息就通过类似Internet邮件所使用的格式[RFC5322]和多用途Internet邮件扩展(MIME)[RFC2045]来传送。

请求消息的结构图解:

客户端发送一个HTTP请求到服务器的请求消息包括以下格式:请求行(request line)、请求头部(header)、空行和请求数据四个部分组成,下图给出了请求报文的一般格式。

请求发送结构

http请求头详解:(参考:https://kb.cnblogs.com/page/92320/

请求头 请求头属性
 Cache-Control

指定请求应遵循的缓存机制,其中缓存指令:no-cache、no-store、max-age、 max-stale、min-fresh、only-if-cached。

no-cache:表示请求的消息不可以缓存

no-store:在请求消息中,表示请求和响应的消息均不可以缓存,为了防止重要的消息被无意间泄露

max-age:表示客户机接收相应消息的最大时间(最大生存期)

max-stale:表示客户机可以接受超时的消息,如果指定该值,表示可以接受超时之后指定值之内的消息

min-fresh:表示客户机可以接受当前时间加上指定值的时间之内的消息

only-if-cached:表示客户机只接受被缓存的内容

 Date 表示消息发送的时间,时间的描述格式由rfc822定义。例如,Date:Mon,31Dec200104:25:57GMT。Date描述的时间表示世界标准时,换算成本地时间,需要知道用户所在的时区。
 Pragma 反正页面被缓存,在http1.1版本中,与Cache-Control:no-cache,作用相同,在http1.0中没有实现Cache-Control.Pragma只有一个用法:Pragma:no-cache
 Host 请求报头域主要用于指定被请求资源的Internet主机和端口号,它通常从HTTP URL中提取出来的。如果不是默认的80端口,会指定端口。如果不指定host,会报400错误
 Referer 为服务器提供上下文信息,告诉服务器,我这个链接是从什么地方转过来的。
 Range

只请求实体的一部分,服务器可以忽略此请求。

头500个字节:bytes=0-499。第二个500字节:bytes=500-999。最后500个字节:bytes=-500。500字节以后的范围:bytes=500-。第一个和最后一个字节:bytes=0-0,-1。同时指定几个范围:bytes=500-600,601-999

 User-Agent 表示包含发送请求的用户信息。如果是浏览器发送的话,基本就是浏览器的信息
 Accept

表示客户端能够接受的内容类型,例:text/html,application/xhtml+xml,application/xml;q=0.9,image/webp,*/*;q=0.8

如果想知道更多的MIME类型,去这个网站:http://www.w3school.com.cn/media/media_mimeref.asp

Accept-Charset 表示浏览器可以接受的字符编码集。在国内最常用的就是utf8,gbk。想了解更多:https://zh.wikipedia.org/wiki/%E5%AD%97%E7%AC%A6%E7%BC%96%E7%A0%81
Accept-Encoding 指定浏览器可以支持的web服务器返回内容压缩编码类型。常用的:compress, gzip
Accept-Language 指定浏览器可以接受的语言。常用的 en,zh
Accept-Ranges 可以请求网页实体的一个或者多个子范围字段。例:Accept-Ranges: bytes
Authorization http授权的授权证书
Connection 是否保持持久连接。close:表示不保持持久连接,keep-alive:保持持久连接。(HTTP 1.1默认进行持久连接)
Cookie 存储的一些有关该客户机的信息,发送http请求时,会把该域名下的所有cookie,一起发送给服务器。
Content-Length 表示请求内容的长度
Content-Type 请求实体的MIME类型。如果想知道更多的MIME类型,去这个网站:http://www.w3school.com.cn/media/media_mimeref.asp
Expect 请求的特定的服务器类型,不是太明白,有懂得可以帮我解释一下
From 发出请求的用户的Email
If-Match 只有请求内容与实体相匹配才有效
If-Modified-Since  如果请求的部分在指定时间之后被修改则请求成功,未被修改则返回304代码
If-None-Match 如果内容未改变返回304代码,参数为服务器先前发送的Etag,与服务器回应的Etag比较判断是否改变
If-Range 如果实体未改变,服务器发送客户端丢失的部分,否则发送整个实体。参数也为Etag
If-Unmodified-Since 只在实体在指定时间之后未被修改才请求成功
Max-Forwards 限制信息通过代理和网关传送的时间
Proxy-Authorization 连接到代理的授权证书
TE 客户端愿意接受的传输编码,并通知服务器接受接受尾加头信息
Upgrade 向服务器指定某种传输协议以便服务器进行转换(如果支持)
Via 通知中间网关或代理服务器地址,通信协议
Warning 关于消息实体的警告信息

 

http回应头详解:

 

请求头 请求头属性
Cache- Control

指定请求应遵循的缓存机制,其中缓存指令:no-cache、no-store、max-age、 max-stale、min-fresh、only-if-cached。

no-cache:表示请求的消息不可以缓存

no-store:在请求消息中,表示请求和响应的消息均不可以缓存,为了防止重要的消息被无意间泄露

max-age:表示客户机接收相应消息的最大时间(最大生存期)

max-stale:表示客户机可以接受超时的消息,如果指定该值,表示可以接受超时之后指定值之内的消息

min-fresh:表示客户机可以接受当前时间加上指定值的时间之内的消息

only-if-cached:表示客户机只接受被缓存的内容

Date 原始服务器消息发出的时间,时间的描述格式由rfc822定义。例如,Date:Mon,31Dec200104:25:57GMT。Date描述的时间表示世界标准时,换算成本地时间,需要知道用户所在的时区。
Expires 响应过期的日期和时间
Pragma 不允许页面被缓存,在http1.1版本中,与Cache-Control:no-cache,作用相同,在http1.0中没有实现Cache-Control.Pragma只有一个用法:Pragma:no-cache
User-Agent 表示包含发送请求的用户信息。如果是浏览器发送的话,基本就是浏览器的信息
Accept-Ranges 可以请求网页实体的一个或者多个子范围字段。例:Accept-Ranges: bytes
Age 从原始服务器到代理缓存形成的估算时间(以秒计,非负)
Allow 对某网络资源的有效的请求行为,不允许则返回405,请求行为:Get,Post,Head等,下面会重点介绍
Content-Encoding web服务器支持的返回内容压缩编码类型
Content-Language 响应体的语言
Content-Location 请求资源可替代的备用的另一地址
Content-MD5  返回资源的MD5校验值
Content-Range 在整个返回体中本部分的字节位置
Connection 是否保持持久连接。close:表示不保持持久连接,keep-alive:保持持久连接。(HTTP 1.1默认进行持久连接)
Cookie 存储的一些有关该客户机的信息,发送http请求时,会把该域名下的所有cookie,一起发送给服务器。
Content-Length 响应体内容的长度
Content-Type 返回内容的MIME类型。如果想知道更多的MIME类型,去这个网站:http://www.w3school.com.cn/media/media_mimeref.asp
Via 通知中间网关或代理服务器地址,通信协议
Warning 关于消息实体的警告信息

ETag 请求变量的实体标签的当前值
Last-Modified 请求资源的最后修改时间
Location 用来重定向接收方到非请求URL的位置来完成请求或标识新的资源
Proxy-Authenticate 它指出认证方案和可应用到代理的该URL上的参数
refresh 应用于重定向或一个新的资源被创造,在5秒之后重定向(由网景提出,被大部分浏览器支持)
Retry-After 如果实体暂时不可取,通知客户端在指定时间之后再次尝试
Server web服务器软件名称
Set-Cookie 设置Http Cookie
Trailer 指出头域在分块传输编码的尾部存在
Transfer-Encoding 文件传输编码
Vary 告诉下游代理是使用缓存响应还是从原始服务器请求
WWW-Authenticate 表明客户端请求实体应该使用的授权方案

 

关于请求头与回应头,更多的可以访问W3C官网:https://www.w3.org/Protocols/rfc2616/rfc2616-sec14.html

 

http请求方法:

(转自:http://www.runoob.com/http/http-methods.html

HTTP1.0定义了三种请求方法: GET, POST 和 HEAD方法。

HTTP1.1新增了五种请求方法:OPTIONS, PUT, DELETE, TRACE 和 CONNECT 方法。

请求方法 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(例如提交表单或者上传文件)。数据被包含在请求体中。POST请求可能会导致新的资源的建立和/或已有资源的修改。
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。
CONNECT HTTP/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。

http状态码:

(转自:http://www.runoob.com/http/http-status-codes.html)

分类 分类描述
1** 信息,服务器收到请求,需要请求者继续执行操作
2** 成功,操作被成功接收并处理
3** 重定向,需要进一步的操作以完成请求
4** 客户端错误,请求包含语法错误或无法完成请求
5** 服务器错误,服务器在处理请求的过程中发生了错误

网友评论

登录后评论
0/500
评论
桃西子牛
+ 关注