• 爬虫前奏之HTTP


    1.HTTP

    HTTP协议(HyperText Transfer Protocol,超文本传输协议)是因特网上应用最为广泛的一种网络传输协议,所有的WWW文件都必须遵守这个标准。

    通信过程

    2.请求

    请求,由客户端向服务端发可以分为4部分:请求方法(Request Method)请求的网址(Request URL)请求头(Request Headers) 请求体(Request Body )

    (1)请求方法

    方法 描述
    GET 请求页面,并返回页面内容
    HEAD 类似于 GET 请求, 只不过返回的响应中没有具体的内容,用于获取报头
    POST 大多用于提交表单或上传文件,数据包含在请求体中
    PUT 从客户端向服务器传送的数据取代指定文档中的内容
    DELETE 请求服务器删除指定的页面
    CONNECT 把服务器当作跳板,让服务器代替客户端访问其他网页
    OPTIONS 允许客户端查看服务器的性能
    TRACE 回显服务器收到的请求,主要用于测试或诊断

    (2)请求的网址

    请求的网址即为统一资惊定位符 URL 。

    (3)请求头

    常见头部信息

    名称 描述
    Accept 请求报头域,用于指定客户端可接受哪些类型的信息
    Accept-Language 指定客户端可接受的语言类型
    Accept-Encoding 指定客户端可接受的内容编码
    Host 请求的目标
    Cookie 这是网站为了辨别用户进行会话跟踪而存储在用户本地的数据。 它的主要功能是维持当前访问会话。
    Referer 此内容用来标识这个请求是从哪个页面发过来的
    User-Agent 可以使服务器识别客户使用的操作系统及版本、 浏览器及版本等信息。
    Content-Type 也叫互联网媒体类型( Internet Media Type )或者 MIME 类型,在 HTTP 协议
    消息头中,它用来表示具体请求中的媒体类型信息。

    Content-type对照表

    (4)请求体

    请求体一般承载的内容是 POST 请求中的表单数据,而对于 GET 请求,请求体则为空。

    Content-Type 和 POST 提交数据方式的关系

    Content-Type 提交数据的方式
    application/x-www-forrn-urlencoded 表单数据
    multi part/form-data 表单文件上传
    application/json 序列化 JSON 数据
    text/xml XML 数据

    注释:

    在爬虫中,如果要构造 POST 请求,需要使用正确的 Content-Type ,并了解各种请求库的各个参
    数设置时使用的是哪种 Content-Type , 不然可能会导致 POST 提交后无法正常响应。

    3.响应

    响应,由服务端返回给客户端,可以分为三部分:响应状态码( Response Status Code )、响应头
    ( Response Headers )和响应体( Response Body )。

    (1)响应状态码

    响应状态码表示服务器的响应状态。

    常见状态码

    状态码 说明 详情
    100 继续 请求者应当继续提出请求。 服务器已收到请求的一部分,正在等待其余部分
    101 切换协议 请求者已要求服务器切换协议,服务器已确认并准备切换
    200 成功 服务然已成功处理了请求
    201 已创建 请求成功并且服务器创建了新的资源
    202 已接受 服务然已接受请求,但尚未处理
    203 非授权信息 服务器已成功处理了请求,但返回的信息可能来自另一个源
    204 无内容 服务器成功处理了请求, 但没有返回任何内容
    205 重置内容 服务器成功处理了请求,内容被重置
    206 部分内容 服务器成功处理了部分请求
    300 多种选择 针对请求,服务器可执行多种操作
    301 永久移动 请求的网页已永久移动到新位置,即永久重定向
    302 临时移动 请求的网页暂时跳转到其他页面,即暂时重定向
    303 查看其他位置 如果原来的请求是 POST , 重定向目标文档应该通过 GET 提取
    304 未修改 此次请求返回的网页未修改, 继续使用上次的资源
    305 使用代理 请求者应该使用代理访问该网页
    307 临时重定向 请求的资源临时从其他位置l响应
    400 错误谙求 服务器无法解析该请求
    401 米授权 请求没有进行身份验证或验证未通过
    403 禁止访问 服务将拒绝此请求
    404 未找到 服务器找不到请求的网页
    405 方法禁用 服务器禁用了请求中指定的方法
    406 不接受 无法使用请求的内容响应请求的网页
    407 需要代理搜权 请求者需要使用代理授权
    408 请求超时 服务器请求超时
    409 冲突 服务器在完成请求时发生冲突
    410 已删除 请求的资源已永久删除
    411 需要有效长度 服务器不接受不含有效内容长度标头字段的请求
    412 未满足前提条件 服务器未满足请求者在请求中设置的其中一个前提条件
    413 请求实体过大 请求实体过大,超出服务器的处理能力
    414 请求 URI 过长 请求网址过长,服务器无法处理
    415 不支持类型 请求格式不被请求页面支持
    416 请求范围不符 页面无法提供请求的范围
    417 未满足期望值 服务器未满足期望请求标头字段的要求
    500 服务器内部错误 服务器遇到到错误,无法完成请求
    501 未实现 服务器不具备完成请求的功能
    502 错误网关 服务器作为网关或代理, 从上游服务然收到元效响应
    503 服务不可用 服务器目前无法使用
    504 网关超时 服务器作为网关或代理,但是没有及时从上游服务器收到请求
    505 HTTP 版本不支持 服务器不支持请求中所用的 HTTP 协议版本

    (2)响应头

    常见响应头不信息

    名称 描述
    Date 标识响应产生的时间
    Last_Modified 指定资源的最后修改时间
    Content_Encoding 指定响应内容的编码
    Server 包含服务器的信息,比如名称、版本号等
    Content_Type 文档类型,指定返回的数据类型是什么
    Set_Cookie 设置 Cookies , 响应头中的 Set- Cooki e 告诉浏览器需要将此内容放在 Cookies中 下次请求携带 Cookies 请求。
    Expires 指定响应的过期时间, 可以使代理服务器或浏览器将加载的内容更新到缓存巾。 如果再次访问时,就可以直接从缓存中加载, 降低服务器负载,缩短加载时间。

    (3)响应体

    响应的正文数据都在响应体中,比如请求网页时,它的响应体就是网页的 HTML 代码; 请求一张图片时, 它的响应体就是图片的二进制数据。
    参考来源 :Python 3网络爬虫开发实战 [ 崔庆才著 ]

  • 相关阅读:
    TC79
    SQL TUNNING
    Oracle PLSQL
    DB String Split sample
    dw websites
    Load xlsx in a folder to RDBMS table with Talend
    Reading WebSites
    SQOOP Load Data from Oracle to Hive Table
    dotnet use regex two samples
    Excel scientific notation issue
  • 原文地址:https://www.cnblogs.com/lc-snail/p/13215671.html
Copyright © 2020-2023  润新知