扒一扒 HTTP 的構成

HTTP全稱為HyperText Transfer Protocol，從名字不難看出這是一種基於文字的網路協議，對於初學者來說比較友好，容易上手。各平臺上的一些第三方庫都對HTTP做了進一步的封裝，讓HTTP變得更加親民，但往往拿來就用的技術，很容易忽視其背後隱藏的細節。今天一起來扒一扒HTTP到底是如何構成的。

初窺全貌

HTTP第一眼看上去非常簡單，先來看看Request部分：

上圖主要分為三部分：request line，header和body，中間的CRLF為換行符。如果能將我們平常傳送的http請求對應到上述三個部分，就能形成初步的印象了。

我們以一個實際的http request例子，抓包來看一看詳細的內部構造。假設我們的請求URL為：

http://www.baidu.com/res/static/thirdparty/connect.jpg?t=1480992153433

後續的分析都是以此請求為基礎。

Request Line

Request Line的結構為：

Request-Line   = Method SP Request-URI SP HTTP-Version CRLF

Method也就是我們平常談論最多的POST和GET所處的部分(除了POST和GET，還有其他型別的Method)。

SP是個分隔符，我用Wireshark抓包看了下，就一個位元組大小，值為0×20，對應ASCII碼中的空格。

Request-URI我們就更熟悉了，上述請求對應為：/res/static/thirdparty/connect.jpg?t=1480992153.564331。這裡值得注意的一點是：實際傳輸的時候Request-URI有兩種可能的形式，一種是完整的absoluteURI，包含Schema和Host，另一種是abs_path，並沒有包含Schema（http）和Host（mrpeak.cn）部分，Host部分被移交到了Header當中。所以平時我們抓包，有時看到的是完整的URI，有時則只有路徑資訊。

HTTP-Version也很直觀，文字展示形式為：HTTP/1.1，代表我們當前使用的版本。

CRLF由兩個位元組組成。CR值為16進位制的0x0D，對應ASCII中的Enter鍵，LF值為0x0A，對應ASCII中的換行鍵，CRLF合起來就是我們平常所說的\r\n。

所以上述請求的Request-Line的文字展示：

GET 空格 /res/static/thirdparty/connect.jpg?t=1480992153.564331 空格 HTTP/1.1 CRLF

Header

header其本質上是一些文字鍵值對，一個典型的例子如下圖所示：

每個鍵值對的形式為：Key：空格 Value CRLF。

上面講述Request-URI的時候，缺失的Host就以鍵值對的形式存在於header中，比如，Host： pan.baidu.com。

將若干個上述格式的鍵值對組合起來，就成了我們HTTP請求的完整header。最後一個鍵值對之後再跟一個CRLF，就表示我們的header結束了。

HTTP本身定義了一些header key，另外也允許開發者新增自己的key，自定義的key一般以X開頭，比如可以定義X-APP-VERSION來記錄客戶端的版本號。

Body

body裡面包含請求的實際資料。

對於Method=GET的請求來說，body體是為空的，或者說不存在body體，Header最後的兩個CRLF就標識著請求的結尾。我們一般呼叫請求的業務引數是通過Request Line當中的Request-URI來傳遞的，比如上述請求中的?t=1480992153.564331，也就是URI的query string部分。這部分同樣是以鍵值對的形式存在，不過是位於Request Line當中。

對於Method=POST的請求來說，body體一般不為空，我們實際的業務資料都存放於body當中，資料在body體中是以何種形式存在，其實大有門道，後面再細說。至於Request-URI當中的query string部分，我們依然可以選擇放置一部分資料在其中，但更普遍的做法是使用body體。

HTTP Response

response的結構和request結構大致相同，可以用下圖表示：

不過是將Request Line換成了Status Line。

Status Line的結構如下：

Status-Line = HTTP-Version SP Status-Code SP Reason-Phrase CRLF

這裡關鍵在於Status-Code的記憶，記住常見的Status-Code值，對於我們平時分析網路錯誤十分有幫助，不需要記住每個值的含義，只需理解每個類別的含義即可：

1xx: Informational – Request received, continuing process。 2xx: Success – The action was successfully received, understood, and accepted。 3xx: Redirection – Further action must be taken in order to complete the request。 4xx: Client Error – The request contains bad syntax or cannot be fulfilled。 5xx: Server Error – The server failed to fulfill an apparently valid request。

可以用來攜帶資料的部分

分析至此，我們可以總結一個http請求，哪些地方是可以用來攜帶業務資料的。

Request Line當中的Request-URI是一個選擇，也是標準的GET請求用來傳遞資料的位置，一般以query string的格式存在於URI當中。一些瀏覽器或者Framework對於query string的長度會有一定的限制，所以此處不適宜於傳遞較大的資料。

Header也是一個選擇，我們可以選擇協議中的一些標準header key，比如Host，User-Agent等，將我們的業務資料存放其Value中。或者我們通過自定義key，比如上面提到的X-APP-VERSION，使用X-開頭是業界預設的習慣，雖然RFC 6648當中建議大家不要再使用X-作為Prefix，但這一習慣今天依舊還在持續。

Body體是我們的第三個選擇，POST請求可以根據Header中的Content-Type值，以不同的形式將資料儲存在body體中。

一些隱藏的細節

可以看出http是一種基於文字解析的協議，上面提到的空格（0×20），換行（0x0D0A）都是HTTP用來做文字解析的輔助符號。

解析HTTP的text流程，其實也比較好理解。一個簡化的流程大致是這樣：當我們從TCP層拿到應用層的buffer之後，以CLRF(\r\n)為分割符，將整個buffer分成若干行，第一行自然是我們的Request Line，之後每一行代表一個Header，如果連續讀到兩個CLRF，則表示header結束，如果是Method=POST，讀取Header中的Content-Length值，最後根據這個值讀取固定長度的body體。這樣就完成了我們上述三個主要部分的讀取。當然，上述是個簡化的流程，實際解析場景會更多一些。

我們再深入看下Request Line的解析

我們從TCP層拿到的實際上是一個位元組流，要將位元組流解析成我們能夠閱讀交流的形式，我們需要將位元組碼進行編碼和解碼。Request Line使用的編解碼格式是US-ASCII，也就是我們平時接觸的ASCII碼中的一種。

Request Line通過ASCII碼做還原之後，我們得到的是類似這樣的結果：

GET /res/static/thirdparty/connect.jpg?a=1&b=2 HTTP/1.1

URI的解析也自有一套規範，我們需要特別注意的是query string部分。我們平時編寫業務程式碼的時候，可能會在query string當中塞入自己的資料，這些資料可能是任意形式的位元組流，而Request Line和URI的解析都依賴於一些特殊字元來做分割，比如空格，/，？等等，所以為了能正確，安全的解析整個Request Line和URI，我們需要對query string中的位元組流做進一步的編碼約束，只允許其中出現安全的ASCII碼，這也是我們為什麼需要UrlEncode的原因。

UrlEncode的過程也比較簡單，它將位元組流中的所有位元組，對照ASCII碼錶分為，安全的ASCII碼和不安全的ASCII碼。安全的ASCII碼不用做任何處理，不安全的ASCII碼（比如空格0×20）則做進一步的編碼處理，編碼的思路也簡單：用安全的ASCII碼來代替不安全的ASCII碼。比如空格（0×20）被編碼成%20，由一個ASCII碼(空格)變成了三個ASCII碼(%，2，0)。對於原本就不是ASCII碼的內容來說，比如中文，則先以UTF-8編碼成位元組流，再對照ASCII碼做編碼。比如中文字「高」，其UTF-8的表現形式為：\xE9\xAB\x98，再進一步做ASCII編碼，最後UrlEncode的結果就為：%E9%AB%98。

由此可見，UrlEncode是出於URL安全解析的需要，Encode的結果是由%和一部分安全的ASCII碼所組成。UrlEncode的缺點也比較明顯，Encode非ASCII碼的時候（比如中文），一個位元組會被encode成3個位元組，長度整整是原先的3倍，造成流量的浪費。

我見過有人使用base64來對query string做encode，這是把概念搞混淆了，至少base64 encode之後的=就不是一個URL安全的字元，=在UrlEncode之後對應%3d。

Header的解析

對於Header的解析可以先按CRLF分割成一個個的鍵值對，鍵值對裡面的值，也就是我們所說的field content其實也有編碼要求。RFC 7230中有闡述：

Historically, HTTP has allowed field content with text in the ISO-8859-1 charset [ISO-8859-1], supporting other charsets only through use of [RFC2047] encoding. In practice, most HTTP Header field values use only a subset of the US-ASCII charset [USASCII]. Newly defined header fields SHOULD limit their field values to US-ASCII octets. A recipient SHOULD treat other octets in field content (obs-text) as opaque data.

簡單來說，我們在實際使用當中使用ASCII碼來限制field content。我們常用幾個Field，諸如Host，User-Agent等，使用ASCII碼字元也已綽綽有餘，一般不會對值做進一步的encode處理。

Body的解析

body的解析是我們平時打交道最多的部分，不是說我們需要知道如何去解析body，而是要了解body體裡的資料格式。

body的解析本身比較簡單，從header中知道Content-Length之後，讀取固定長度的位元組流即完成了body的獲取，關鍵的環節是獲取之後，如何讀取其中的資料並遞交給應用層，所以HTTP協議本身並沒有對Body中的內容編碼做約束，而是把它交給協議的使用者去決定，我們甚至可以在body體裡存放二進位制流，對應的Content-Type為application/octet-stream。

我們來看看平時傳送HTTP請求時，以AFNetworking為例，使用最頻繁的幾種Content-Type：

• multipart/form-data
• application/x-www-form-urlencoded
• application/json

當我們向Server傳送資料的時候，需要和Server約定好所使用的Content-Type，客戶端在傳送Request的時候也要注意API的差別，以AFNetworking為例，傳送json則使用：

AFJSONRequestSerializer* jsonSerializer = [AFJSONRequestSerializer serializer];
request = [jsonSerializer requestWithMethod:@"POST" URLString:requestUrl parameters:requestParams error:nil];

傳送multipart/form-data：

request = [self.requestSerializer multipartFormRequestWithMethod:@"POST" URLString:requestUrl parameters:requestParams constructingBodyWithBlock:nil error:nil];

傳送x-www-form-urlencoded：

request = [self.requestSerializer requestWithMethod:@"POST" URLString:requestUrl parameters:requestParams error:nil];

json不用多說，大家都非常熟悉的資料交換格式。multipart/form-data和x-www-form-urlencoded比較容易引起混淆。

在AFNetworking中有這樣一段程式碼：

//AFURLRequestSerialization
if (![mutableRequest valueForHTTPHeaderField:@"Content-Type"]) {
    [mutableRequest setValue:@"application/x-www-form-urlencoded" forHTTPHeaderField:@"Content-Type"];
}

可見當我們的Request沒有設定Content-Type的時候，預設使用的就是application/x-www-form-urlencoded。這裡的urlencoded和前面Request-URI中的urlencode是一回事，只不過encode的是body體當中的內容。

那我們什麼時候用application/x-www-form-urlencoded，什麼時候用multipart/form-data呢？

先來看下使用Content-Type為multipart/form-data時，我們的Request有什麼變化，下圖是使用mitmproxy抓包一個檔案上傳Request的headers示意圖：

Content-Type的完整值為：multipart/form-data; boundary=Boundary+2BBBEA582E48968C。

multipart把body體分成多個塊，多個塊之間依賴於boundary值去做分割，所以生成的boundary要足夠長，長到在位元組流當中出現重複的概率幾乎為0，否則就會導致錯誤的傳輸，AFNetworking中生成Boundary的方法如下：

static NSString * AFCreateMultipartFormBoundary() {
    return [NSString stringWithFormat:@"Boundary+%08X%08X", arc4random(), arc4random()];
}

我們可以看下一個例子，如果使用multipart/form-data，body中具體的資料格式：

Boundary+2BBBEA582E48968C
Content-Disposition: form-data; name="text1"
text
Boundary+2BBBEA582E48968C
Content-Disposition: form-data; name="text2"
another text

可以看到在body中多出了Boundary+2BBBEA582E48968C和Content-Disposition，這些會增加body的傳輸大小。

假設我們有一個大檔案需要上傳，如果使用application/x-www-form-urlencoded作為Content-Type，由於位元組流當中存在非常多的非ASCII碼，檔案的長度會變至原本的2-3倍，所以此時multipart/form-data更合適。

假設我們只有少量的鍵值對需要上傳，如果使用multipart/form-data作為Content-Type，由於boundary和Content-Disposition帶來的額外流量，又顯得得不償失，所以此時使用application/x-www-form-urlencoded更為合適。

這也是為什麼我們使用multipart/form-data作為檔案類Request的Content-Type，而對於普通業務資料，則使用application/x-www-form-urlencoded或者application/json。

總結

上述的分析，更多的是站在客戶端的角度去看的，實際HTTP協議的構成細節非常之多，需要曠日持久的深入學習和積累。功夫越深，坑越少