Python3網絡爬蟲實戰-15、爬蟲基礎：HTTP基本原理

在寫爬蟲之前，還是需要了解一些爬蟲的基礎知識，如 HTTP 原理、網頁的基礎知識、爬蟲的基本原理、Cookies 基本原理等。

那么本章內容就對一些在做爬蟲之前所需要的基礎知識做一些簡單的總結。

HTTP基本原理

在本節我們會詳細了解 HTTP 的基本原理，了解在瀏覽器中敲入一個 URL 到獲取網頁內容發生了一個怎樣的過程，了解了這些內容，有助于去進一步了解爬蟲的基本原理。

1. URI、URL

在了解 HTTP 之前我們先了解一下 URI 和 URL。我們經常會聽到 URI 和 URL 兩個術語，URI 全稱為 Uniform Resource Identifier，即統一資源標志符，URL 全稱為 Universal Resource Locator，即統一資源定位符。
舉例來說，https://github.com/favicon.ico，這是 GitHub 的網站圖標鏈接，它是一個 URL，也是一個 URI，即有這樣的一個圖標資源，我們用 URL/URI 來唯一指定了它的訪問方式，這其中包括了訪問協議 https、訪問路徑/即根目錄，資源名稱 favicon.ico，通過這樣的一個鏈接我們便可以從互聯網上找到這個資源，這就是 URL/URI。Python資源分享qun 784758214 ,內有安裝包，PDF，學習視頻，這里是Python學習者的聚集地，零基礎，進階，都歡迎

URL 是 URI 的子集，也就是說每個 URL 都是 URI，但不是每個 URI 都是 URL。那么怎樣的 URI 不是 URL 呢？URI 還包括一個子類叫做 URN，它的全稱為 Universal Resource Name，即統一資源名稱。URN 只命名資源而不指定如何定位資源，如 urn:isbn:0451450523，它指定了一本書的 ISBN，可以唯一標識這一本書，但是沒有指定到哪里定位這本書，這就是 URN，URL、URN、URI 的關系可以用圖 2-1 表示如下：

圖 2-1 URL、URN、URI 關系圖
但是在目前的互聯網，URN 的使用非常少，所以幾乎所有的 URI 都是 URL，所以一般的網頁鏈接我們可以稱之為 URL，也可以稱之為 URI，我個人習慣稱之為 URL。

2. 超文本

接下來我們再了解一個概念，超文本。超文本英文名稱叫做 Hypertext，我們在瀏覽器里面看到的網頁就是超文本解析而成的，其網頁源代碼是一系列 HTML 代碼，里面包含了一系列標簽，如 img 顯示圖片，p 指定顯示段落等，瀏覽器解析這些標簽后便形成了我們平常看到的網頁，而這網頁的源代碼 HTML 就可以稱作超文本。
例如我們在 Chrome 瀏覽器里面打開任意一個頁面，如淘寶首頁，右鍵點擊檢查，或按下快捷鍵 F12 即可打開瀏覽器的開發者工具，這時我們在 Elements 選項卡即可看到當前網頁的源代碼，這些源代碼都是超文本，如圖 2-2 所示：

圖 2-2 源代碼

3. HTTP、HTTPS

我們在前面了解了 URI 和 URL，例如淘寶的首頁：https://www.taobao.com/，在 URL 的開頭會有 http 或 https，這個就是訪問資源需要的協議類型，有時我們還會看到 ftp、sftp、smb 開頭的 URL，那么這里的 ftp、sftp、smb 都是指的協議類型。在爬蟲中，我們抓取的頁面通常就是 http 或 https 協議的，我們在這里首先來了解一下這兩個協議的含義。
HTTP 的全稱是 Hyper Text Transfer Protocol，中文名叫做超文本傳輸協議，HTTP 協議是用于從網絡傳輸超文本數據到本地瀏覽器的傳送協議，它能保證傳送高效而準確地傳送超文本文檔。HTTP 由萬維網協會（World Wide Web Consortium）和 Internet 工作小組IETF（Internet Engineering Task Force）共同合作制定的規范，目前廣泛使用的是 HTTP 1.1 版本。
HTTPS 的全稱是 Hyper Text Transfer Protocol over Secure Socket Layer，是以安全為目標的 HTTP 通道，簡單講是 HTTP 的安全版，即 HTTP 下加入 SSL 層，簡稱為 HTTPS。
HTTPS 的安全基礎是 SSL，因此通過它傳輸的內容都是經過 SSL 加密的，它的主要作用可以分為兩種：

• 是建立一個信息安全通道，來保證數據傳輸的安全。
• 確認網站的真實性，凡是使用了 https 的網站，都可以通過點擊瀏覽器地址欄的鎖頭標志來查看網站認證之后的真實信息，也可以通過 CA 機構頒發的安全簽章來查詢。

現在越來越多的網站和 APP 都已經向 HTTPS 方向發展。例如：

• 蘋果公司強制所有 iOS App 在 2017 年 1 月 1 日 前全部改為使用 HTTPS 加密，否則 APP 就無法在應用商店上架。谷歌從 2017 年 1 月推出的 Chrome 56 開始，對未進行 HTTPS 加密的網址鏈接亮出風險提示，即在地址欄的顯著位置提醒用戶“此網頁不安全”。
• 騰訊微信小程序的官方需求文檔要求后臺使用 HTTPS 請求進行網絡通信，不滿足條件的域名和協議無法請求。

而某些網站雖然使用了 HTTPS 協議還是會被瀏覽器提示不安全，例如我們在 Chrome 瀏覽器里面打開 12306，鏈接為：https://www.12306.cn/，這時瀏覽器就會提示“您的連接不是私密連接”這樣的話，如圖 2-3 所示：

圖 2-3 12306 頁面
這是因為 12306 的 CA 證書是中國鐵道部自己頒發給自己的，而這個證書是不被官方機構認可的，所以這里證書驗證就不會通過而提示這樣的話，但是實際上它的數據傳輸依然是經過 SSL 加密的。我們如果要爬取這樣的站點就需要設置忽略證書的選項，否則會提示 SSL 鏈接錯誤，在后文會進行詳細說明。

4. HTTP請求過程

我們在瀏覽器中輸入一個 URL，回車之后便會在瀏覽器中觀察到頁面內容，實際上這個過程是瀏覽器向網站所在的服務器發送了一個 Request，即請求，網站服務器接收到這個 Request 之后進行處理和解析，然后返回對應的一個 Response，即響應，然后傳回給瀏覽器，Response里面就包含了頁面的源代碼等內容，瀏覽器再對其進行解析便將網頁呈現了出來，模型如圖 2-4 所示：

圖 2-4 模型圖
此處客戶端即代表我們自己的 PC 或手機瀏覽器，服務器即要訪問的網站所在的服務器。
為了更直觀地地說明這個的過程，我們在這里用 Chrome 瀏覽器的開發者模式下的 Network 監聽組件來做下演示，它可以顯示訪問當前請求網頁時發生的所有網絡請求和響應。
打開 Chrome 瀏覽器，右鍵點擊檢查，或按下快捷鍵 F12 即可打開瀏覽器的開發者工具，我們在這里訪問百度：http://www.baidu.com/，輸入該 URL，敲擊回車訪問這個頁面，觀察一下在這個過程中發生了怎樣的網絡請求，這時我們可以看到在 Network 頁面的下方出現了一個個的條目，那么這一個條目就代表一次發送 Request 和接收 Response 的過程，如圖 2-5 所示：

圖 2-5 Network 面板
我們觀察第一個網絡請求，即 www.baidu.com，如圖 2-6 所示：

圖 2-6 網絡請求記錄
這一個條目的各列分別代表：

• 第一列 Name，即 Request 的名稱。一般會用URL的最后一部分內容當做名稱。
• 第二列 Status，即 Response 的狀態碼。這里顯示為 200，代表 Response 是正常的，通過狀態碼我們可以判斷發送了 Request 之后是否得到了正常的 Response。
• 第三列 Type，即 Request 請求的文檔類型。這里為 document，代表我們這次請求的是一個 HTML 文檔，內容就是一些 HTML 代碼。
• 第四列 Initiator，即請求源。用來標記 Request 是由哪個對象或進程發起的。
• 第五列 Size，即從服務器下載的文件和請求的資源大小。如果是從緩存中取得的資源則該列會顯示 from cache。
• 第六列 Time，即發起 Request 到獲取到 Response 所用的總時間。
• 第七列 Timeline，即網絡請求的可視化瀑布流。我們點擊這個條目即可看到其更詳細的信息，如圖 2-7 所示：

圖 2-7 詳細信息
首先是 General 部分，Request URL 為 Request 的 URL，Request Method 為請求的方法，Status Code 為響應狀態碼，Remote Address 為遠程服務器的地址和端口，Referrer Policy 為 Referrer 判別策略。
再繼續往下看可以看到有一個 Response Headers 和一個 Request Headers，這分別代表響應頭和請求頭，請求頭里面帶有許多請求信息，例如瀏覽器標識、Cookies、Host 等信息，這是 Request 的一部分，服務器會根據請求頭內的信息判斷請求是否合法，進而作出對應的響應，返回 Response，那么在圖中看到的 Response Headers 就是 Response 的一部分，例如其中包含了服務器的類型、文檔類型、日期等信息，瀏覽器接受到 Response 后，會解析響應內容，進而呈現網頁內容。
下面我們分別來介紹一下請求 Request 和響應 Response 都包含了哪些內容，在這里進行對其組成進行總結：

5. Request

Request，即請求，由客戶端向服務端發出。可以將 Request 劃分為四部分內容：Request Method、Request URL、Request Headers、Request Body，即請求方式、請求鏈接、請求頭、請求體。

Request Method

請求方式，請求方式常見的有兩種類型，GET 和 POST。
我們在瀏覽器中直接輸入一個 URL 并回車，這便發起了一個 GET 請求，請求的參數會直接包含到 URL 里，例如百度搜索 Python，這就是一個 GET 請求，鏈接為：https://www.baidu.com/s?wd=Py...，URL 中包含了請求的參數信息，這里參數 wd 就是要搜尋的關鍵字。POST 請求大多為表單提交發起，如一個登錄表單，輸入用戶名密碼，點擊登錄按鈕，這通常會發起一個 POST 請求，其數據通常以 Form Data 即表單的形式傳輸，不會體現在 URL 中。

GET 和 POST 請求方法有如下區別：

• GET 方式請求中參數是包含在 URL 里面的，數據可以在 URL 中看到，而 POST 請求的 URL 不會包含這些數據，數據都是通過表單的形式傳輸，會包含在 Request Body 中。
• GET 方式請求提交的數據最多只有 1024 字節，而 POST 方式沒有限制。

所以一般來說，網站登錄驗證的時候，需要提交用戶名密碼，這里包含了敏感信息，使用GET方式請求的話密碼就會暴露在URL里面，造成密碼泄露，所以這里最好以POST方式發送。文件的上傳時，由于文件內容比較大，也會選用POST方式。
我們平常遇到的絕大部分請求都是 GET 或 POST 請求，另外還有一些請求方式，如 HEAD、PUT、DELETE、OPTIONS、CONNECT、TRACE，我們簡單將其總結如下：

Request URL

顧名思義，就是請求的網址，即統一資源定位符，用 URL 可以唯一確定我們想請求的資源。

Request Headers

請求頭，用來說明服務器要使用的附加信息，比較重要的信息有 Cookie、Referer、User-Agent 等，下面將一些常用的頭信息說明如下：

• Accept，請求報頭域，用于指定客戶端可接受哪些類型的信息。
• Accept-Language，指定客戶端可接受的語言類型。
• Accept-Encoding，指定客戶端可接受的內容編碼。
• Host，用于指定請求資源的主機 IP 和端口號，其內容為請求 URL 的原始服務器或網關的位置。從 HTTP 1.1 版本開始，Request 必須包含此內容。
• Cookie，也常用復數形式 Cookies，是網站為了辨別用戶進行 Session 跟蹤而儲存在用戶本地的數據。Cookies 的主要功能就是維持當前訪問會話，例如我們輸入用戶名密碼登錄了某個網站，登錄成功之后服務器會用 Session 保存我們的登錄狀態信息，后面我們每次刷新或請求該站點的其他頁面時會發現都是保持著登錄狀態的，在這里就是 Cookies 的功勞，Cookies 里有信息標識了我們所對應的服務器的 Session 會話，每次瀏覽器在請求該站點的頁面時都會在請求頭中加上 Cookies 并將其發送給服務器，服務器通過 Cookies 識別出是我們自己，并且查出當前狀態是登錄的狀態，所以返回的結果就是登錄之后才能看到的網頁內容。
• Referer，此內容用來標識這個請求是從哪個頁面發過來的，服務器可以拿到這一信息并做相應的處理，如做來源統計、做防盜鏈處理等。
• User-Agent，簡稱 UA，它是一個特殊字符串頭，使得服務器能夠識別客戶使用的操作系統及版本、瀏覽器及版本等信息。在做爬蟲時加上此信息可以偽裝為瀏覽器，如果不加很可能會被識別出為爬蟲。
• Content-Type，即 Internet Media Type，互聯網媒體類型，也叫做 MIME 類型，在 HTTP 協議消息頭中，使用它來表示具體請求中的媒體類型信息。例如 text/html 代表 HTML 格式，image/gif 代表 GIF 圖片，application/json 代表 Json 類型，更多對應關系可以查看此對照表：http://tool.oschina.net/commons。

因此，Request Headers 是 Request 等重要組成部分，在寫爬蟲的時候大部分情況都需要設定 Request Headers。

Request Body

即請求體，一般承載的內容是 POST 請求中的 Form Data，即表單數據，而對于 GET 請求 Request Body 則為空。
例如在這里我登錄 GitHub 時捕獲到的 Request 和 Response 如圖 2-8 所示：

圖 2-8 詳細信息
在登錄之前我們填寫了用戶名和密碼信息，提交時就這些內容就會以 Form Data 的形式提交給服務器，此時注意 Request Headers 中指定了 Content-Type 為 application/x-www-form-urlencoded，只有設置 Content-Type 為 application/x-www-form-urlencoded 才會以 Form Data 形式提交，另外我們也可以將 Content-Type 設置為 application/json 來提交 Json 數據，或者設置為 multipart/form-data 來上傳文件。
下面列出了 Content-Type 和 POST 提交數據方式的關系：

在爬蟲中如果我們要構造 POST 請求需要注意這幾種 Content-Type，了解各種請求庫的各個參數設置時使用的是哪種 Content-Type，不然可能會導致 POST 提交后得不到正常的 Response。
以上便是對 Request 各部分內容的解釋。

6. Response

Response，即響應，由服務端返回給客戶端。Response 可以劃分為三部分，Response Status Code、Response Headers、Response Body。

Response Status Code

響應狀態碼，此狀態碼表示了服務器的響應狀態，如 200 則代表服務器正常響應，404 則代表頁面未找到，500 則代表服務器內部發生錯誤。在爬蟲中，我們可以根據狀態碼來判斷服務器響應狀態，如判斷狀態碼為 200，則證明成功返回數據，再進行進一步的處理，否則直接忽略。
下面用表格列出了常見的錯誤代碼及錯誤原因：

Response Headers

響應頭，其中包含了服務器對請求的應答信息，如 Content-Type、Server、Set-Cookie 等，下面將一些常用的頭信息說明如下：
Date，標識 Response 產生的時間。Last-Modified，指定資源的最后修改時間。Content-Encoding，指定 Response 內容的編碼。Server，包含了服務器的信息，名稱，版本號等。Content-Type，文檔類型，指定了返回的數據類型是什么，如text/html 則代表返回 HTML 文檔，application/x-javascript 則代表返回 JavaScript 文件，image/jpeg 則代表返回了圖片。Set-Cookie，設置Cookie，Response Headers 中的 Set-Cookie即告訴瀏覽器需要將此內容放在 Cookies 中，下次請求攜帶 Cookies 請求。Expires，指定 Response 的過期時間，使用它可以控制代理服務器或瀏覽器將內容更新到緩存中，如果再次訪問時，直接從緩存中加載，降低服務器負載，縮短加載時間。Resposne Body
即響應體，最重要的當屬響應體內容了，響應的正文數據都是在響應體中，如請求一個網頁，它的響應體就是網頁的 HTML 代碼，請求一張圖片，它的響應體就是圖片的二進制數據。所以最主要的數據都包含在響應體中了，我們做爬蟲請求網頁后要解析的內容就是解析響應體，如圖 2-9 所示：

圖 2-9 響應體內容
我們在瀏覽器開發者工具中點擊 Preview，就可以看到網頁的源代碼，這也就是響應體內容，是解析的目標。
我們在做爬蟲時主要解析的內容就是 Resposne Body，通過 Resposne Body 我們可以得到網頁的源代碼、Json 數據等等，然后從中做相應內容的提取。Python資源分享qun 784758214 ,內有安裝包，PDF，學習視頻，這里是Python學習者的聚集地，零基礎，進階，都歡迎
以上便是 Response 的組成部分。

7. 結語

本節我們了解了 HTTP 的基本原理，通過如上描述，我們應該對訪問網頁背后的請求和響應過程有了大體的認識，本節涉及到的知識點需要好好掌握，在后面分析網頁請求的時候會經常用到。