机器之间的协议就是机器通信的语法，只有按照这种语法发来的信息，机器之间才能相互理解内容，也可以理解为信息的一种格式。
HTTP/IP协议是互联网最为重要的协议，没有HTTP/IP协议，也就没有互联跟不会有网，对于爬虫而言一切数据、请求都是围绕HTTP协议展开。
image
但是在python实现的网络爬虫中都是使用封装好了的请求库如：requests、scrapy、urllib等，这些是对socket的封装，而socket是除了机器语言外最底层的协议。
HTTP是公认的协议，但是并不是所有的终端通信都使用HTTP协议，也有处于保密需求而自定义协议，我们要通过对HTTP协议的分析理解来认来掌握自定义协议的分析思路。
image
在浏览器开发者模式下，任意截获一个数据包点击view parsed，显示出来的就是原始的HTTP请求头格式及协议请求头格式。
image
最主要的头两行分析如下，第一行：
GET / HTTP/1.1 分别是请求方式 请求路径 协议及其版本
/就表示首页，最后的HTTP/1.1指示采用的HTTP协议版本是1.1
从第二行开始，每一行都类似于Xxx: abcdefg：
Host: mzzd.xyz
表示请求的域名是mzzd.xyz，如果一台服务器有多个网站，服务器就需要通过Host来区分浏览器请求的是哪个网站。
再看HTTP响应及其格式：
image
HTTP响应分为Header和Body两部分（Body是可选项），我们在Network中看到的Header最重要的几行如下：
HTTP/1.1 200 OK 分别是协议版本 状态码 说明
200表示一个成功的响应，后面的OK是说明。
Content-Type: text/html
Content-Type指示响应的内容，浏览器依靠Content-Type来判断响应的内容类型，即使URL是http://www.mzzd.xyz/1.jpg，它也不一定就是图片。
HTTP GET请求的格式： GET /path HTTP/1.1 Header1: Value1 Header2: Value2 Header3: Value3每个Header一行一个，换行符是\r\n。HTTP POST请求的格式： POST /path HTTP/1.1 Header1: Value1 Header2: Value2 Header3: Value3 body data goes here...当遇到连续两个\r\n时，Header部分结束，后面的数据全部是Body。HTTP响应的格式： 200 OK Header1: Value1 Header2: Value2 Header3: Value3 body data goes here...HTTP响应如果包含body，也是通过\r\n\r\n来分隔的。
那我们用python实现HTTP客户端：
#coding=utf-8import socketfrom multiprocessing import Processdef handleClient(clientSocket): '用一个新的进程，为一个客户端进行服务' recvData = clientSocket.recv(2014) requestHeaderLines = recvData.splitlines() for line in requestHeaderLines: print(line) responseHeaderLines = "HTTP/1.1 200 OK\r\n" # 响应首行内容 responseHeaderLines += "\r\n" # 响应头与body之间应有一空行 responseBody = "hello world" response = responseHeaderLines + responseBody clientSocket.send(response) clientSocket.close()def main(): '作为程序的主控制入口' serverSocket = socket.socket(socket.AF_INET, socket.SOCK_STREAM) serverSocket.setsockopt(socket.SOL_SOCKET, socket.SO_REUSEADDR, 1) serverSocket.bind(("", 7788)) serverSocket.listen(5) while True: clientSocket,clientAddr = serverSocket.accept() clientP = Process(target = handleClient, args = (clientSocket,)) clientP.start() clientSocket.close()if __name__ == '__main__': main()
这个客户端的作用就是当你在浏览器访问本地的8000端口，会向浏览器返回hello Word的字符。
image
说了这么多应该明白HTTP协议其实只是一段文本，只是文本首行是协议头，一空行之后是协议体，按照这种格式那么浏览器就能解析。
image
而自定义的协议常见于APP中，因为在APP中定义彼此通信的过程、定义通信中相关字段的含义，即使被抓包后那也很难解析，这种情况很少，因为有现成的协议何必去自己弄一套协议，但是遇到之后应该明白如何下手。
甚至可以开发自己基于socket的爬虫库。
image
ID：Python之战
|作|者|公(zhong)号:python之战
专注Python，专注于网络爬虫、RPA的学习-践行-总结
喜欢研究技术瓶颈并分享，欢迎围观，共同学习。
独学而无友,则孤陋而寡闻！
网友评论