爬蟲入門系列(一):快速理解 HTTP 協議
4月份給自己挖一個爬蟲系列的坑
爬蟲的基本原理是模擬瀏覽器進行 HTTP 請求,理解 HTTP 協議是寫爬蟲的必備基礎,招聘網站的爬蟲崗位也赫然寫著熟練掌握HTTP協議規範,寫爬蟲還不得不先從HTTP協議開始講起
HTTP協議是什麼?
你瀏覽的每一個網頁都是基於 HTTP 協議呈現的,HTTP 協議是互聯網應用中,客戶端(瀏覽器)與伺服器之間進行數據通信的一種協議。協議中規定了客戶端應該按照什麼格式給伺服器發送請求,同時也約定了服務端返回的響應結果應該是什麼格式。
只要大家都按照協議規定方式發起請求和返迴響應結果,任何人都可以基於HTTP協議實現自己的Web客戶端(瀏覽器、爬蟲)和Web伺服器(Nginx、Apache等)。
HTTP 協議本身是非常簡單的。它規定,只能由客戶端主動發起請求,伺服器接收請求處理後返迴響應結果,同時 HTTP 是一種無狀態的協議,協議本身不記錄客戶端的歷史請求記錄。
HTTP 協議是如何規定請求格式和響應格式的呢?換言之,客戶端按照什麼格式才能正確發起 HTTP 請求呢?服務端按照什麼格式返迴響應結果客戶端才能正確解析?
HTTP 請求
HTTP 請求由3部分組成,分別是請求行、請求首部、請求體,首部和請求體是可選的,並不是每個請求都需要的。
請求行
請求行是每個請求必不可少的部分,它由3部分組成,分別是請求方法(method)、請求URL(URI)、HTTP協議版本,以空格隔開。
HTTP協議中最常用的請求方法有:GET、POST、PUT、DELETE。GET 方法用於從伺服器獲取資源,90%的爬蟲都是基於GET請求抓取數據。
請求 URL 是指資源所在伺服器的路徑地址,比如上圖的例子表示客戶端想獲取 index.html 這個資源,它的路徑在伺服器 http://foofish.net 的根目錄(/)下面。
請求首部
因為請求行所攜帶的信息量非常有限,以至於客戶端還有很多想向伺服器要說的事情不得不放在請求首部(Header),請求首部用於給伺服器提供一些額外的信息,比如 User-Agent 用來表明客戶端的身份,讓伺服器知道你是來自瀏覽器的請求還是爬蟲,是來自 Chrome 瀏覽器還是 FireFox。HTTP/1.1 規定了47種首部欄位類型。HTTP首部欄位的格式很像 Python 中的字典類型,由鍵值對組成,中間用冒號隔開。比如:
User-Agent: Mozilla/5.0
因為客戶端發送請求時,發送的數據(報文)是由字元串構成的,為了區分請求首部的結尾和請求體的開始,用一個空行來表示,遇到空行時,就表示這是首部的結尾,請求體的開始。
請求體
請求體是客戶端提交給伺服器的真正內容,比如用戶登錄時的需要用的用戶名和密碼,比如文件上傳的數據,比如註冊用戶信息時提交的表單信息。
現在我們用 Python 提供的最原始API socket 模塊來模擬向伺服器發起一個 HTTP 請求
with socket.socket(socket.AF_INET, socket.SOCK_STREAM) as s: # 1. 與伺服器建立連接 s.connect(("www.seriot.ch", 80)) # 2. 構建請求行,請求資源是 index.php request_line = b"GET /index.php HTTP/1.1" # 3. 構建請求首部,指定主機名 headers = b"Host: seriot.ch" # 4. 用空行標記請求首部的結束位置 blank_line = b"
" # 請求行、首部、空行這3部分內容用換行符分隔,組成一個請求報文字元串 # 發送給伺服器 message = b"
".join([request_line, headers, blank_line]) s.send(message) # 伺服器返回的響應內容稍後進行分析 response = s.recv(1024) print(response)
HTTP 響應
服務端接收請求並處理後,返迴響應內容給客戶端,同樣地,響應內容也必須遵循固定的格式瀏覽器才能正確解析。HTTP 響應也由3部分組成,分別是:響應行、響應首部、響應體,與 HTTP 的請求格式是相對應的。
響應行
響應行同樣也是3部分組成,由服務端支持的 HTTP 協議版本號、狀態碼、以及對狀態碼的簡短原因描述組成。
狀態碼是響應行中很重要的一個欄位。通過狀態碼,客戶端可以知道伺服器是否正常處理的請求。如果狀態碼是200,說明客戶端的請求處理成功,如果是500,說明伺服器處理請求的時候出現了異常。404 表示請求的資源在伺服器找不到。除此之外,HTTP 協議還很定義了很多其他的狀態碼,不過它不是本文的討論範圍。
響應首部
響應首部和請求首部類似,用於對響應內容的補充,在首部裡面可以告知客戶端響應體的數據類型是什麼?響應內容返回的時間是什麼時候,響應體是否壓縮了,響應體最後一次修改的時間。
響應體
響應體(body)是伺服器返回的真正內容,它可以是一個HTML頁面,或者是一張圖片、一段視頻等等。
我們繼續沿用前面那個例子來看看伺服器返回的響應結果是什麼?因為我只接收了前1024個位元組,所以有一部分響應內容是看不到的。
b"HTTP/1.1 200 OK
Date: Tue, 04 Apr 2017 16:22:35 GMT
Server: Apache
Expires: Thu, 19 Nov 1981 08:52:00 GMT
Set-Cookie: PHPSESSID=66bea0a1f7cb572584745f9ce6984b7e; path=/
Transfer-Encoding: chunked
Content-Type: text/html; charset=UTF-8
118d
<!DOCTYPE html PUBLIC "-//W3C//DTD XHTML 1.0 Strict//EN" "http://www.w3.org/TR/xhtml1/DTD/xhtml1-strict.dtd">
<html xmlns="http://www.w3.org/1999/xhtml" xml:lang="en" lang="en">
<head>
<meta http-equiv="Content-Type" content="text/html;charset=iso-8859-1" />
<meta http-equiv="content-language" content="en" />
...</html>
從結果來看,它與協議中規範的格式是一樣的,第一行是響應行,狀態碼是200,表明請求成功。第二部分是響應首部信息,由多個首部組成,有伺服器返迴響應的時間,Cookie信息等等。第三部分就是真正的響應體 HTML 文本。
至此,你應該對 HTTP 協議有一個總體的認識了,爬蟲的行為本質上就是模擬瀏覽器發送HTTP請求,所以要想在爬蟲領域深耕細作,理解 HTTP 協議是必須的。
當然 HTTP 協議遠不止這麼一點內容,也根本不可能用一篇文章就試圖把它全部講清楚,我在這裡也只是拋磚引玉,想深入了解HTTP的,可參考「Python之禪」推薦的延伸閱讀。
延伸閱讀
- 《圖解HTTP》
- 《HTTP權威指南》
- HTTP Request:https://www.w3.org/Protocols/rfc2616/rfc2616-sec5.html#sec5
- HTTP Response:https://www.w3.org/Protocols/rfc2616/rfc2616-sec6.html
同步發表博客:https://foofish.net/understand-http.html
公眾號:Python之禪 (id:VTtalk),分享 Python 等技術乾貨
推薦閱讀:
※數據可視化--Matplotlib
※python 函數
※國內對 Heroku 這個平台評價怎樣?
※終於,SciPy 1.0 版發布了
※MySQL書單推薦