作者：xiaoyu
微信公眾號：Python資料科學
在學習爬蟲的過程中，相信大家對HTTP這個詞已經不陌生了，它好像從未離開過我們的視線。被迫所需，我們每次都要使用開發者工具去檢視請求頭，響應頭，以及頭中的各個欄位，使用別人封裝好的模組填入資訊，敲幾行程式碼就解決了。面對簡單的爬取任務，我們也許根本不用管它是什麼，但可能等我們真正遇到問題的時候，卻無從下手。
認識並深刻理解HTTP對於爬蟲的實現過程是非常有幫助的。為了更好的讓大家理解爬蟲中的HTTP，博主將分為兩篇對HTTP進行講述，<基礎篇> 和 <高階篇>。本篇為基礎篇，將從以下幾個部分進行闡述。
- 什麼是HTTP
- 一個完整的HTTP請求過程
- HTTP請求報文
什麼是HTTP？
<HTTP的介紹>
引自百度百科的權威回答：
超文字傳輸協議
（HTTP，HyperText Transfer Protocol)是網際網路上應用最為廣泛的一種網路協議。所有WWW檔案都必須遵守這個標準。設計HTTP最初的目的是為了提供一種釋出和接收HTML頁面的方法。1960年美國人TedNelson構思了一種通過計算機處理文字資訊的方法，並稱之為超文字（hypertext）,這成為了HTTP超文字傳輸協議標準架構的發展根基。TedNelson組織協調全球資訊網協會（World Wide Web Consortium）和網際網路工程工作小組（InternetEngineering Task Force ）共同合作研究，最終釋出了一系列的RFC，其中著名的RFC 2616定義了HTTP 1.1。
HTTP協議是用於從WWW伺服器傳輸超文字到本地瀏覽器的傳輸協議。它可以使瀏覽器更加高效，使網路傳輸減少。它不僅保證計算機正確快速地傳輸超文字文件，還確定傳輸文件中的哪一部分，以及哪部分內容首先顯示(如文字先於圖形)等。
<HTTP的模型>
HTTP採用了瀏覽器/伺服器這種請求/響應模型，瀏覽器永遠是HTTP請求的發起者，伺服器為響應者。
這樣在瀏覽器客戶端沒有發起請求的情況下，伺服器是不能主動推送訊息給客戶端的。
<HTTP的定位>
HTTP是一個應用層協議，是我們想從伺服器端獲取資訊的最直觀的請求。比如，在爬蟲中使用的<urllib模組>，<requests模組>等都是封裝了HTTP協議，作為一個HTTP客戶端實現了博文，圖片，視訊等資訊源的下載。
但是HTTP也不是直接就可以用的，它的請求是建立在一些底層協議的基礎上完成的。如TCP/IP協議棧中，HTTP需要TCP的三次握手連線成功後才能向伺服器發起請求。當然，如果是HTTPS的話，還需要TSL和SSL安全層。
一個完整的HTTP請求過程
既然HTTP協議需要建立在其它底層協議基礎上，我們來看看一個完整的HTTP請求是什麼樣的。
當我們點選一個連結或者輸入一個連結的時候，整個HTTP的請求過程就開始了，然後經過以下步驟得到最後的資訊，我們這裡簡單介紹一下前四個步驟，旨在瞭解HTTP。
- 域名解析：首先會搜尋各種本地
DNS快取，如果沒有就會向DNS伺服器（網際網路提供商）發起域名解析，以獲取IP地址。 - 建立TCP連線：當獲取IP後，將建立套接字socket連線，也就是
TCP的3次握手連線，預設埠號80。 - HTTP請求：一旦TCP連線成功後，瀏覽器/爬蟲就可以向伺服器發起HTTP請求報文了，報文內容包含
請求行、請求頭部、請求主體。 - 伺服器響應：伺服器響應，並返回一個HTTP響應包（如果成功會返回狀態碼
200）和請求的HTML程式碼。 上面的步驟<3>和<4>可以簡單的示意如下，更方便大家理解。其中，請求和響應都包含特定格式的資訊，具體我們接下來會繼續解讀。
響應HTTP請求會返回響應狀態碼，根據狀態碼可以知道返回資訊的狀態。狀態碼規定如下：
1xx: 資訊響應類，表示接收到請求並且繼續處理
100——必須繼續發出請求
101——要求伺服器根據請求轉換HTTP協議版本
2xx: 處理成功響應類，表示動作被成功接收、理解和接受 200——交易成功
201——提示知道新檔案的URL
202——接受和處理、但處理未完成
203——返回資訊不確定或不完整
204——請求收到，但返回資訊為空
205——伺服器完成了請求，使用者代理必須復位當前已經瀏覽過的檔案
206——伺服器已經完成了部分使用者的GET請求
3xx: 重定向響應類，為了完成指定的動作，必須接受進一步處理
300——請求的資源可在多處得到
301——刪除請求資料
302——在其他地址發現了請求資料
303——建議客戶訪問其他URL或訪問方式
304——客戶端已經執行了GET，但檔案未變化
305——請求的資源必須從伺服器指定的地址得到
306——前一版本HTTP中使用的程式碼，現行版本中不再使用
307——申明請求的資源臨時性刪除
4xx: 客戶端錯誤，客戶請求包含語法錯誤或者是不能正確執行
400——錯誤請求，如語法錯誤
401——未授權
402——保留有效ChargeTo頭響應
403——禁止訪問
404——沒有發現檔案、查詢或URl
405——在Request-Line欄位定義的方法不允許
406——根據傳送的Accept，請求資源不可訪問
407——使用者必須首先在代理伺服器上得到授權
408——客戶端沒有在指定的時間內完成請求
409——對當前資源狀態，請求不能完成
410——伺服器不再有此資源且無進一步地址
411——伺服器拒絕使用者定義的Content-Length
412——一個或多個請求頭欄位在當前請求中錯誤
413——請求的資源大於伺服器允許的大小
414——請求的資源URL長於伺服器允許的長度
415——請求資源不支援請求專案格式
416——請求中包含Range請求頭欄位，在當前請求資源範圍內沒有range指示值，請求也不包含If-Range請求頭欄位
417——伺服器不滿足請求Expect頭欄位指定的期望值，如果是代理伺服器，可能是下一級伺服器不能滿足請求長。
5xx: 服務端錯誤，伺服器不能正確執行一個正確的請求
500——內部伺服器錯誤
501——未實現
502——閘道器錯誤
HTTP請求報文
相信你已經對HTTP的請求過程有了大致的瞭解了，下面我們來詳細介紹HTTP請求的報文資訊。
報文內容包含請求行、請求頭部、請求主體。
下面我們來看一下通過開發者工具請求www.baidu.com/網址擷取下來的HTTP請求報文內容，對比一下上面的標準格式。
我們發現請求報文的格式與上面基本一致，正式我們想要的。那麼，接下來我們將要逐個的介紹以上各個資訊。
請求行
<GET>是HTTP的請求方式之一，HTTP/1.1協議中共定義了8種方法與伺服器互動，有 GET、POST、HEAD、PUT、DELETE、OPTIONS、TRACE、CONNECT，其中比較常用的是**和**方法了。
- HEAD: 從伺服器得到除了請求體與GET請求一樣的響應
- GET：通過URL獲取查詢資源資訊（爬蟲特定URL爬取）
- POST：提交表單（爬蟲中的模擬登入）
- PUT：上傳檔案（瀏覽器不支援）
- DELETE：刪除
- OPTIONS：返回伺服器對特定資源支援的HTTP請求方法
- TRACE：返回伺服器收到的請求，用於測試或診斷 CONNECT：預留給管道連線方式的代理服務
GET請求方法後URL（這裡是/）和版本1.1，別忘了空格。
請求頭
HTTP的頭域包括通用頭、請求頭、響應頭和實體頭四部分。因為在爬蟲過程中，我們經常會提交headers請求頭資訊用於偽裝，所以我們這裡對請求頭著重講解一下。
請求頭是請求報文特有的，它向伺服器提交了一些額外的資訊，例如通過Accept欄位資訊，我們客戶端可以告訴伺服器我們接受一些什麼型別的資料。而我們其實可以把這些欄位資訊就當成**<鍵值對>**對待。
下面我們看看這些欄位都代表了什麼意思？
Accept
內容：text/html,application/xhtml+xml,application/xml;q=0.9,image/webp,image/apng,/;q=0.8
含義：告訴瀏覽器我們接受MIME的型別
Accept-Encoding
內容：gzip, deflate, br
含義：如果有這個欄位，則代表客戶端支援壓縮將內容編碼，去掉後會支援任意編碼。
注意：爬蟲時一般不要把它加上，博主最開始就是不懂全都複製過來，結果因為這個就是不好使卡住好長時間。
Accept-Lanague
內容：zh-CN,zh;q=0.9
含義：告訴伺服器能夠接受的語言，沒有則代表任何語言
Connection
內容：keep-alive
含義：告訴伺服器需要持久有效的連線狀態（HTTP1.1預設會進行持久連線）
Host
內容：www.baidu.com
含義：客戶端指定自己想訪問的web伺服器域名/IP地址和埠號
Cache-control
內容：max-age=0 含義：(引自百度百科)
Cache-Control 是最重要的規則。這個欄位用於指定所有快取機制在整個請求/響應鏈中必須服從的指令。這些指令指定用於阻止快取對請求或響應造成不利干擾的行為。這些指令通常覆蓋預設快取演算法。快取指令是單向的，即請求中存在一個指令並不意味著響應中將存在同一個指令。
網頁的快取是由HTTP訊息頭中的“Cache-control”來控制的，常見的取值有private、no-cache、max-age、must-revalidate等，預設為private。
但是HTTP請求和響應的Cache-Control是不完全一樣的。
常見的請求Cache-Control取值有<no-cache>, <no-store>, <max-age>, <max-stale>, <min-fresh>, <only-if-cached>。
響應的Cache-Control取值有<public>, <private>, <no-cache>, <no- store>, <no-transform>, <must-revalidate>, <proxy-revalidate>, <max-age>。
我們這裡主要介紹請求時的常見Cache-Control取值。
<1>max-age<=0
本例中使用max-age=0，表示每次請求會訪問伺服器，通過Last-Modified來判斷檔案是否被修改，如果被修改，返回狀態碼200並得到最新檔案，否則將返回304狀態碼並讀取快取檔案。
<2>max-age>0 表示會直接從瀏覽器提取快取。
<3>no-cache 表示不會在瀏覽器快取進行提取，而是強制的向伺服器發出請求，這樣可以保證客戶端能夠收到最權威的迴應。
<4>no-store 所有內容都不會被快取到快取或Internet臨時檔案中。
Upgrade-Insecure-Requests
內容：1
含義：表示瀏覽器/爬蟲可以處理HTTPS協議，並能自動升級請求從HTTP到HTTPS。
User-Agent
內容：Mozilla/5.0 (Windows NT 6.1; WOW64) ..Safari/537.36
含義：（這個是爬蟲中最常用了）用於偽裝成瀏覽器身份請求網頁。它的意思自然就是表示瀏覽器的身份，說明是用的哪種瀏覽器進行的操作。
Cookies
含義：（這個也是爬蟲中很重要的了，通常用於模擬登入） Cookies是用於維持服務端的會話狀態，由伺服器端寫入，然後在後續請求中，供伺服器讀取使用。
以上就是本例中出現的所有欄位資訊內容。當然，還有其它一些常用欄位資訊，這裡也一起說明一下。
其它請求頭欄位資訊
Referer
含義：（這個也是爬蟲常用到的，防盜鏈）
客戶端通過當前URL代表的頁面出發訪問我們請求的頁面。爬蟲中，一般我們只要把它設定成請求的網頁連結就好了。
Accept-Charset
含義：（這個也是爬蟲常用到的）
表示瀏覽器可接受的字符集，可以是utf-8，gbk等
If-Modified-Since
內容：Thu, 10 Apr 2008 09:14:42 GMT 含義：請求的內容在指定日期以後一旦被修改就被返回物件內容，否則返回“Not Modified”
Pragma
含義：
Pragma頭域用來包含實現特定的指令，最常用的是Pragma:no-cache。在HTTP/1.1協議中，它的含義和Cache-Control:no-cache相同。
Range：
含義：告訴瀏覽器自己想取物件的哪個部分。例如，Range: bytes=1173546
總結
本篇內容介紹了HTTP的基本概念，主要包含了以下幾點：
-
什麼是HTTP
-
HTTP的模型、作用和定位
-
一個完整的HTTP請求過程
-
HTTP請求頭資訊
-
HTTP請求頭常用欄位資訊
下篇將會分享一些HTTP的高階內容，包括如下內容：
- Cookie
- Sesssion
- HTTPS 最後，歡迎大家給我留言，我們可以一起討論，共同學習爬蟲技術。博主也是不斷的學習中，並會在學習中持續分享。
微信公眾號：Python資料科學
