解读爬虫中HTTP的秘密（基础篇）

作者：xiaoyu
微信公众号：Python爬虫之路
segmentfault：https://segmentfault.com/blog/pypc

---

在学习爬虫的过程中，相信大家对HTTP这个词已经不陌生了，它好像从未离开过我们的视线。被迫所需，我们每次都要使用开发者工具去查看请求头，响应头，以及头中的各个字段，使用别人封装好的模块填入信息，敲几行代码就解决了。面对简单的爬取任务，我们也许根本不用管它是什么，但可能等我们真正遇到问题的时候，却无从下手。

认识并深刻理解HTTP对于爬虫的实现过程是非常有帮助的。为了更好的让大家理解爬虫中的HTTP，博主将分为两篇对HTTP进行讲述，<基础篇> 和 <高阶篇>。本篇为基础篇，将从以下几个部分进行阐述。

• 什么是HTTP
• 一个完整的HTTP请求过程
• HTTP请求报文

什么是HTTP？

<HTTP的介绍>

引自百度百科的权威回答：

超文本传输协议（HTTP，HyperText Transfer Protocol)
是互联网上应用最为广泛的一种网络协议。所有WWW文件都必须遵守这个标准。设计HTTP最初的目的是为了提供一种发布和接收HTML页面的方法。
1960年美国人TedNelson构思了一种通过计算机处理文本信息的方法，并称之为超文本（hypertext）,这成为了HTTP超文本传输协议标准架构的发展根基。TedNelson组织协调万维网协会（World Wide Web Consortium）和互联网工程工作小组（InternetEngineering Task Force ）共同合作研究，最终发布了一系列的RFC，其中著名的RFC 2616定义了HTTP 1.1。

HTTP协议是用于从WWW服务器传输超文本到本地浏览器的传输协议。它可以使浏览器更加高效，使网络传输减少。它不仅保证计算机正确快速地传输超文本文档，还确定传输文档中的哪一部分，以及哪部分内容首先显示(如文本先于图形)等。

<HTTP的模型>

HTTP采用了浏览器/服务器这种请求/响应模型，浏览器永远是HTTP请求的发起者，服务器为响应者。

这样在浏览器客户端没有发起请求的情况下，服务器是不能主动推送消息给客户端的。

<HTTP的定位>

HTTP是一个应用层协议，是我们想从服务器端获取信息的最直观的请求。比如，在爬虫中使用的<urllib模块>，<requests模块>等都是封装了HTTP协议，作为一个HTTP客户端实现了博文，图片，视频等信息源的下载。

但是HTTP也不是直接就可以用的，它的请求是建立在一些底层协议的基础上完成的。如TCP/IP协议栈中，HTTP需要TCP的三次握手连接成功后才能向服务器发起请求。当然，如果是HTTPS的话，还需要TSL和SSL安全层。

一个完整的HTTP请求过程

既然HTTP协议需要建立在其它底层协议基础上，我们来看看一个完整的HTTP请求是什么样的。

当我们点击一个链接或者输入一个链接的时候，整个HTTP的请求过程就开始了，然后经过以下步骤得到最后的信息，我们这里简单介绍一下前四个步骤，旨在了解HTTP。

• 域名解析：首先会搜索各种本地DNS缓存，如果没有就会向DNS服务器（互联网提供商）发起域名解析，以获取IP地址。
• 建立TCP连接：当获取IP后，将创建套接字socket连接，也就是TCP的3次握手连接，默认端口号80。
• HTTP请求：一旦TCP连接成功后，浏览器/爬虫就可以向服务器发起HTTP请求报文了，报文内容包含请求行、请求头部、请求主体。
• 服务器响应：服务器响应，并返回一个HTTP响应包（如果成功会返回状态码200）和请求的HTML代码。
  上面的步骤<3>和<4>可以简单的示意如下，更方便大家理解。其中，请求和响应都包含特定格式的信息，具体我们接下来会继续解读。

响应HTTP请求会返回响应状态码，根据状态码可以知道返回信息的状态。状态码规定如下：

1xx: 信息响应类，表示接收到请求并且继续处理
100——必须继续发出请求
101——要求服务器根据请求转换HTTP协议版本
2xx: 处理成功响应类，表示动作被成功接收、理解和接受
200——交易成功
201——提示知道新文件的URL
202——接受和处理、但处理未完成
203——返回信息不确定或不完整
204——请求收到，但返回信息为空
205——服务器完成了请求，用户代理必须复位当前已经浏览过的文件
206——服务器已经完成了部分用户的GET请求
3xx: 重定向响应类，为了完成指定的动作，必须接受进一步处理
300——请求的资源可在多处得到
301——删除请求数据
302——在其他地址发现了请求数据
303——建议客户访问其他URL或访问方式
304——客户端已经执行了GET，但文件未变化
305——请求的资源必须从服务器指定的地址得到
306——前一版本HTTP中使用的代码，现行版本中不再使用
307——申明请求的资源临时性删除
4xx: 客户端错误，客户请求包含语法错误或者是不能正确执行
400——错误请求，如语法错误
401——未授权
402——保留有效ChargeTo头响应
403——禁止访问
404——没有发现文件、查询或URl
405——在Request-Line字段定义的方法不允许
406——根据发送的Accept，请求资源不可访问
407——用户必须首先在代理服务器上得到授权
408——客户端没有在指定的时间内完成请求
409——对当前资源状态，请求不能完成
410——服务器不再有此资源且无进一步地址
411——服务器拒绝用户定义的Content-Length
412——一个或多个请求头字段在当前请求中错误
413——请求的资源大于服务器允许的大小
414——请求的资源URL长于服务器允许的长度
415——请求资源不支持请求项目格式
416——请求中包含Range请求头字段，在当前请求资源范围内没有range指示值，请求也不包含If-Range请求头字段
417——服务器不满足请求Expect头字段指定的期望值，如果是代理服务器，可能是下一级服务器不能满足请求长。
5xx: 服务端错误，服务器不能正确执行一个正确的请求
500——内部服务器错误
501——未实现
502——网关错误

HTTP请求报文

相信你已经对HTTP的请求过程有了大致的了解了，下面我们来详细介绍HTTP请求的报文信息。
报文内容包含请求行、请求头部、请求主体。

下面我们来看一下通过开发者工具请求https://www.baidu.com/网址截取下来的HTTP请求报文内容，对比一下上面的标准格式。

我们发现请求报文的格式与上面基本一致，正式我们想要的。那么，接下来我们将要逐个的介绍以上各个信息。

请求行

<GET>是HTTP的请求方式之一，HTTP/1.1协议中共定义了8种方法与服务器交互，有 GET、POST、HEAD、PUT、DELETE、OPTIONS、TRACE、CONNECT，其中比较常用的是<GET>和<POST>方法了。

• HEAD: 从服务器得到除了请求体与GET请求一样的响应
• GET：通过URL获取查询资源信息（爬虫特定URL爬取）
• POST：提交表单（爬虫中的模拟登录）
• PUT：上传文件（浏览器不支持）
• DELETE：删除
• OPTIONS：返回服务器对特定资源支持的HTTP请求方法
• TRACE：返回服务器收到的请求，用于测试或诊断 CONNECT：预留给管道连接方式的代理服务

GET请求方法后URL（这里是/）和版本1.1，别忘了空格。

请求头

HTTP的头域包括通用头、请求头、响应头和实体头四部分。因为在爬虫过程中，我们经常会提交headers请求头信息用于伪装，所以我们这里对请求头着重讲解一下。

请求头是请求报文特有的，它向服务器提交了一些额外的信息，例如通过Accept字段信息，我们客户端可以告诉服务器我们接受一些什么类型的数据。而我们其实可以把这些字段信息就当成<键值对>对待。

下面我们看看这些字段都代表了什么意思？

Accept

• 内容 : text/html,application/xhtml+xml,application/xml;...;q=0.8
• 含义：告诉浏览器我们接受MIME的类型

Accept-Encoding

• 内容：gzip, deflate, br
• 含义：如果有这个字段，则代表客户端支持压缩将内容编码，去掉后会支持任意编码。
• 注意：爬虫时一般不要把它加上，博主最开始就是不懂全都复制过来，结果因为这个就是不好使卡住好长时间。

Accept-Lanague

• 内容：zh-CN,zh;q=0.9
• 含义：告诉服务器能够接受的语言，没有则代表任何语言

Connection

• 内容：keep-alive
• 含义：告诉服务器需要持久有效的连接状态（HTTP1.1默认会进行持久连接）

Host

• 内容：www.baidu.com
• 含义：客户端指定自己想访问的web服务器域名/IP地址和端口号

Cache-control

• 内容：max-age=0
• 含义：(引自百度百科)

Cache-Control
是最重要的规则。这个字段用于指定所有缓存机制在整个请求/响应链中必须服从的指令。这些指令指定用于阻止缓存对请求或响应造成不利干扰的行为。这些指令通常覆盖默认缓存算法。缓存指令是单向的，即请求中存在一个指令并不意味着响应中将存在同一个指令。

网页的缓存是由HTTP消息头中的“Cache-control”来控制的，常见的取值有private、no-cache、max-age、must-revalidate等，默认为private。

但是HTTP请求和响应的Cache-Control是不完全一样的。
常见的请求Cache-Control取值有<no-cache>, <no-store>, <max-age>, <max-stale>, <min-fresh>, <only-if-cached>。

响应的Cache-Control取值有<public>, <private>, <no-cache>, <no- store>, <no-transform>, <must-revalidate>, <proxy-revalidate>, <max-age>。

我们这里主要介绍请求时的常见Cache-Control取值。

<1>max-age<=0
本例中使用max-age=0，表示每次请求会访问服务器，通过Last-Modified来判断文件是否被修改，如果被修改，返回状态码200并得到最新文件，否则将返回304状态码并读取缓存文件。

<2>max-age>0
表示会直接从浏览器提取缓存。

<3>no-cache
表示不会在浏览器缓存进行提取，而是强制的向服务器发出请求，这样可以保证客户端能够收到最权威的回应。

<4>no-store
所有内容都不会被缓存到缓存或Internet临时文件中。

Upgrade-Insecure-Requests

• 内容：：1
• 含义：表示浏览器/爬虫可以处理HTTPS协议，并能自动升级请求从HTTP到HTTPS。

User-Agent

• 内容：Mozilla/5.0 (Windows NT 6.1; WOW64) ..Safari/537.36
• 含义：（这个是爬虫中最常用了）用于伪装成浏览器身份请求网页。它的意思自然就是表示浏览器的身份，说明是用的哪种浏览器进行的操作。

Cookies

• 含义：（这个也是爬虫中很重要的了，通常用于模拟登录）
  Cookies是用于维持服务端的会话状态，由服务器端写入，然后在后续请求中，供服务器读取使用。

以上就是本例中出现的所有字段信息内容。当然，还有其它一些常用字段信息，这里也一起说明一下。

其它请求头字段信息

Referer

• 含义：（这个也是爬虫常用到的，防盗链）
  客户端通过当前URL代表的页面出发访问我们请求的页面。爬虫中，一般我们只要把它设置成请求的网页链接就好了。

Accept-Charset

• 含义：（这个也是爬虫常用到的）
  表示浏览器可接受的字符集，可以是utf-8，gbk等

If-Modified-Since

• 内容：Thu, 10 Apr 2008 09:14:42 GMT
• 含义：请求的内容在指定日期以后一旦被修改就被返回对象内容，否则返回“Not Modified”

Pragma

• 含义：

Pragma头域用来包含实现特定的指令，最常用的是Pragma:no-cache。在HTTP/1.1协议中，它的含义和Cache-Control:no-cache相同。

Range

• 含义：告诉浏览器自己想取对象的哪个部分。例如，Range: bytes=1173546

总结

本篇内容介绍了HTTP的基本概念，主要包含了以下几点：

• 什么是HTTP
• HTTP的模型、作用和定位
• 一个完整的HTTP请求过程
• HTTP请求头信息
• HTTP请求头常用字段信息

下篇将会分享一些HTTP的高级内容，包括如下内容：

• Cookie
• Sesssion
• HTTPS
  最后，欢迎大家给我留言，我们可以一起讨论，共同学习爬虫技术。博主也是不断的学习中，并会在学习中持续分享。

---

关注微信公众号Python爬虫之路，发送<学习资料>获取学习电子书~
博主会一直更新精彩内容，并分享更多的实战讲解，带你走进爬虫世界~