上一个小节中,我们简单的介绍了 HTTP 协议,但是,并没有针对 HTTP 的请求和响应进行更详尽的描述。但是,分析请求和响应信息是我们进行爬虫工作中的重要步骤,因此,有必要详细的介绍这两个步骤。
我们还是复用之前的访问汉码未来的例子进行 HTTP 协议的解析。关于怎么获取请求头和响应头的信息的内容,我们会在后面讲解第一个爬虫的时候进行讲解。
使用 get 方法请求汉码未来的请求信息如下:
- 1
- 2
- 3
- 4
- 5
HTTP 请求主要有四部分组成。分别是请求行,请求头部,空行和请求数据。
1. 请求行
我们先来看下第一部分,请求行:
- 1
请求行里的 GET 是请求方法。请求方法主要是告诉服务器端,客户端要对资源实行什么样的具体操作,方便服务器进行响应的处理。
HTTP 1.0 规定的方法: GET,POST,HEAD;
HTTP 1.1 新增的请求方法:OPTIONS,PUT,DELETE,TRACE,CONNECT;
HTTP 规定的主要请求如下表所示,我们主要使用的实际上就是 get,post 这两个请求。
常用的请求方法
Get 后面的 /
是来标明请求的资源信息,我们这里是想访问汉码未来的主页,所以写 /。 HTTP/1.1 指的是 HTTP 的协议版本。
好了说完了请求行,让我们来介绍一下请求头部。
2. 请求头
从第二行开始,都是请求头部的信息,比如我第二行的 Host: www.hanma.com
,用来表明请求的地址是什么。还有一些其他的信息,比如浏览器可接受的语言类型,字体编码,Cookie 等信息。
接下来是空行,不必多说。最后面的一部分是我们的请求的具体内容,请求内容可以是表单,也可以是 JSON 等格式。
3. HTTP响应
正如 HTTP 请求包含四部分一样,HTTP 的响应同样包含四个部分。分别是状态行,消息报头,空行,以及响应正文。
下面这个是我们访问汉码未来后,返回的信息:
- 1
- 2
- 3
- 4
- 5
- 6
- 7
第一行为状态行,同样的,需要标明 HTTP 协议的版本,然后后面是一个状态码。这里的 200 表示请求成功。OK 是用来表明请求的状态消息,通过消息我们可以对请求的错误进行定位。
常见的状态码如下表所示:
第二行的 Server: nginx
表明了服务器端采用的服务器名称。Content-Length: 49930
是消息报头表明了服务器返回的 HTML 内容的长度。Connection: keep-alive
是空行,空行必须要有,不可省略。最后是响应正文,一般会是一个 HTML 文档。
4. 个人经验
这一小节,内容比较多,但是不需要大家记住所有的知识点,比如请求方法和服务器状态码,只需要记住经常使用的那几个就可以了,其他的,工作中遇到的话,再去查找。
5. 小结
本小节主要讲解了 HTTP 的请求与响应,对于我们爬虫程序来说,主要使用的就是 get 请求。对于返回的状态码的了解,可以方便的调试和分析我们的爬虫程序是否运行良好。