HTTP和HTTPS

HTTP协议（HyperText Transfer Protocol，超文本传输协议）：是一种发布和接收 HTML页面的方法。

HTTPS（Hypertext Transfer Protocol over Secure Socket Layer）简单讲是HTTP的安全版，在HTTP下加入SSL层。

SSL（Secure Sockets Layer 安全套接层）主要使用于Web的安全传输协议，在传输层对网络连接进行加密，保障在Internet上数据传输的安全。

• HTTP的端口号为80，

• HTTPS的端口号为443

HTTP工作原理

网络爬虫抓取过程能了解为模拟浏览器操作的过程。

浏览器的主要功可以是向服务器发出请求，在浏览器窗口中展现您选择的网络资源，HTTP是一套计算机通过网络进行通信的规则。

HTTP的请求与响应

HTTP通信由两部分组成： 用户端请求消息 与 服务器响应消息

浏览器发送HTTP请求的过程：

1. 当使用户在浏览器的地址栏中输入一个URL并按回车键之后，浏览器会向HTTP服务器发送HTTP请求。HTTP请求主要分为“Get”和“Post”两种方法。

2. 当我们在浏览器输入URL http://www.baidu.com 的时候，浏览器发送一个Request请求去获取 http://www.baidu.com 的html文件，服务器把Response文件对象发送回给浏览器。

3. 浏览器分析Response中的 HTML，发现其中引使用了很多其余文件，比方Images文件，CSS文件，JS文件。 浏览器会自动再次发送Request去获取图片，CSS文件，或者者JS文件。

4. 当所有的文件都下载成功后，网页会根据HTML语法结构，完整的显示出来了。

URL（Uniform / Universal Resource Locator的缩写）：统一资源定位符，是使用于完整地形容Internet上网页和其余资源的地址的一种标识方法。

基本格式：scheme://host[:port#]/path/…/[?query-string][#anchor]

• scheme：协议(例如：http, https, ftp)

• host：服务器的IP地址或者者域名

• port#：服务器的端口（假如是走协议默认端口，缺省端口80）

• path：访问资源的路径

• query-string：参数，发送给http服务器的数据

• anchor：锚（跳转到网页的指定锚点位置）

例如：

• ftp://192.168.0.116:8080/index

• http://www.baidu.com

• http://item.jd.com/11936238.html#product-detail

• 

用户端HTTP请求

URL只是标识资源的位置，而HTTP是使用来提交和获取资源。用户端发送一个HTTP请求到服务器的请求消息，包括以下格式：

请求行、请求头部、空行、请求数据

四个部分组成，下图给出了请求报文的一般格式。

一个典型的HTTP请求示例

GET https://www.baidu.com/ HTTP/1.1Host: www.baidu.comConnection: keep-aliveUpgrade-Insecure-Requests: 1User-Agent: Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/54.0.2840.99 Safari/537.36Accept: text/html,application/xhtml+xml,application/xml;q=0.9,image/webp,*/*;q=0.8Referer: http://www.baidu.com/Accept-Encoding: gzip, deflate, sdch, brAccept-Language: zh-CN,zh;q=0.8,en;q=0.6Cookie: BAIDUID=04E4001F34EA74AD4601512DD3C41A7B:FG=1; BIDUPSID=04E4001F34EA74AD4601512DD3C41A7B; PSTM=1470329258; MCITY=-343%3A340%3A; BDUSS=nF0MVFiMTVLcUh-Q2MxQ0M3STZGQUZ4N2hBa1FFRkIzUDI3QlBCZjg5cFdOd1pZQVFBQUFBJCQAAAAAAAAAAAEAAADpLvgG0KGyvLrcyfrG-AAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAFaq3ldWqt5XN; H_PS_PSSID=1447_18240_21105_21386_21454_21409_21554; BD_UPN=12314753; sug=3; sugstore=0; ORIGIN=0; bdime=0; H_PS_645EC=7e2ad3QHl181NSPbFbd7PRUCE1LlufzxrcFmwYin0E6b%2BW8bbTMKHZbDP0g; BDSVRTM=0

请求方法

GET https://www.baidu.com/ HTTP/1.1

根据HTTP标准，HTTP请求能用多种请求方法。

HTTP 0.9：只有基本的文本 GET 功可以。

HTTP 1.0：完善的请求/响应模型，并将协议补充完整，定义了三种请求方法： GET, POST 和 HEAD方法。

HTTP 1.1：在 1.0 基础上进行升级，新添加了五种请求方法：OPTIONS, PUT, DELETE, TRACE 和 CONNECT 方法。

HTTP 2.0（未普及）：请求/响应首部的定义基本没有改变，只是所有首部键必需一律小写，而且请求行要独立为 :method、:scheme、:host、:path这些键值对。

HTTP请求主要分为Get和Post

两种方法

• GET是从服务器上获取数据，POST是向服务器传送数据

• GET请求参数显示，都显示在浏览器网址上，HTTP服务器根据该请求所包含URL中的参数来产生响应内容，即“Get”请求的参数是URL的一部分。 例如： http://www.baidu.com/s?wd=Chinese

• POST请求参数在请求体当中，消息长度没有限制而且以隐式的方式进行发送，通常使用来向HTTP服务器提交量比较大的数据（比方请求中包含许多参数或者者文件上传操作等），请求的参数包含在“Content-Type”消息头里，指明该消息体的媒体类型和编码，

注意：避免用Get方式提交表单，由于有可可以会导致安全问题。 比方说在登陆表单中使用Get方式，使用户输入的使用户名和密码将在地址栏中暴露无遗。

常使用的请求报头

1. Host (主机和端口号)

Host：对应网址URL中的Web名称和端口号，使用于指定被请求资源的Internet主机和端口号，通常属于URL的一部分。

2. Connection (链接类型)

Connection：表示用户端与服务连接类型

1. Client 发起一个包含 Connection:keep-alive 的请求，HTTP/1.1用 keep-alive 为默认值。

2. Server收到请求后：

• 假如 Server 支持 keep-alive，回复一个包含 Connection:keep-alive 的响应，不关闭连接；

• 假如 Server 不支持 keep-alive，回复一个包含 Connection:close 的响应，关闭连接。

1. 假如client收到包含 Connection:keep-alive 的响应，向同一个连接发送下一个请求，直到一方主动关闭连接。

keep-alive在很多情况下可以够重使用连接，减少资源耗费，缩短响应时间，比方当浏览器需要多个文件时(比方一个HTML文件和相关的图形文件)，不需要每次都去请求建立连接。

3. Upgrade-Insecure-Requests (更新为HTTPS请求)

Upgrade-Insecure-Requests：更新不安全的请求，意思是会在加载 http 资源时自动替换成 https 请求，让浏览器不再显示https页面中的http请求警报。

HTTPS 是以安全为目标的 HTTP 通道，所以在 HTTPS 承载的页面上不允许出现 HTTP 请求，一旦出现就是提醒或者报错。

4. User-Agent (浏览器名称)

User-Agent：是用户浏览器的名称，以后会详细讲。

5. Accept (传输文件类型)

Accept：指浏览器或者其余用户端能接受的MIME（Multipurpose Internet Mail Extensions（多使用途互联网邮件扩展））文件类型，服务器能根据它判断并返回适当的文件格式。

举例：

Accept: */*：表示什么都能接收。

Accept：image/gif：表明用户端希望接受GIF图像格式的资源；

Accept：text/html：表明用户端希望接受html文本。

Accept: text/html, application/xhtml+xml;q=0.9, image/*;q=0.8：表示浏览器支持的 MIME 类型分别是 html文本、xhtml和xml文档、所有的图像格式资源。

q是权重系数，范围 0 =< q <= 1，q 值越大，请求越倾向于取得其“;”之前的类型表示的内容。若没有指定q值，则默认为1，按从左到右排序顺序；若被赋值为0，则使用于表示浏览器不接受此内容类型。

Text：使用于标准化地表示的文本信息，文本消息能是多种字符集和或者者多种格式的；Application：使用于传输应使用程序数据或者者二进制数据。详细请点击

6. Referer (页面跳转处)

Referer：表明产生请求的网页来自于哪个URL，使用户是从该 Referer页面访问到当前请求的页面。这个属性能使用来跟踪Web请求来自哪个页面，是从什么网站来的等。

有时候遇到下载某网站图片，需要对应的referer，否则无法下载图片，那是由于人家做了防盗链，原理就是根据referer去判断能否是本网站的地址，假如不是，则拒绝，假如是，即可以下载；

7. Accept-Encoding（文件编解码格式）

Accept-Encoding：指出浏览器能接受的编码方式。编码方式不同于文件格式，它是为了压缩文件并加速文件传递速度。浏览器在接收到Web响应之后先解码，而后再检查文件格式，许多情形下这能减少大量的下载时间。

举例：Accept-Encoding:gzip;q=1.0, identity; q=0.5, *;q=0

假如有多个Encoding同时匹配, 按照q值顺序排列，本例中按顺序支持 gzip, identity压缩编码，支持gzip的浏览器会返回经过gzip编码的HTML页面。 假如请求消息中没有设置这个域服务器假定用户端对各种内容编码都能接受。

8. Accept-Language（语言种类）

Accept-Langeuage：指出浏览器能接受的语言种类，如en或者en-us指英语，zh或者者zh-cn指中文，当服务器可以够提供一种以上的语言版本时要使用到。

9. Accept-Charset（字符编码）

Accept-Charset：指出浏览器能接受的字符编码。

举例：Accept-Charset:iso-8859-1,gb2312,utf-8

• ISO8859-1：通常叫做Latin-1。Latin-1包括了书写所有西方欧洲语言不可缺少的附加字符，英文浏览器的默认值是ISO-8859-1.

• gb2312：标准简体中文字符集;

• utf-8：UNICODE 的一种变长字符编码，能处理多种语言文本显示问题，从而实现应使用国际化和本地化。

假如在请求消息中没有设置这个域，缺省是任何字符集都能接受。

10. Cookie （Cookie）

Cookie：浏览器使用这个属性向服务器发送Cookie。Cookie是在浏览器中寄存的小型数据体，它能记载和服务器相关的使用户信息，也能使用来实现会话功可以，以后会详细讲。

11. Content-Type (POST数据类型)

Content-Type：POST请求里使用来表示的内容类型。

举例：Content-Type = Text/XML; charset=gb2312：

指明该请求的消息体中包含的是纯文本的XML类型的数据，字符编码采使用“gb2312”。

服务端HTTP响应

HTTP响应也由四个部分组成，分别是： 状态行、消息报头、空行、响应正文

HTTP/1.1 200 OKServer: TengineConnection: keep-aliveDate: Wed, 30 Nov 2016 07:58:21 GMTCache-Control: no-cacheContent-Type: text/html;charset=UTF-8Keep-Alive: timeout=20Vary: Accept-EncodingPragma: no-cacheX-NWS-LOG-UUID: bd27210a-24e5-4740-8f6c-25dbafa9c395Content-Length: 180945<!DOCTYPE html PUBLIC "-//W3C//DTD XHTML 1.0 Transitional//EN" ....

常使用的响应报头(理解)

理论上所有的响应头信息都应该是回应请求头的。但是服务端为了效率，安全，还有其余方面的考虑，会增加相对应的响应头信息，从上图能看到：

1. Cache-Control：must-revalidate, no-cache, private。

这个值告诉用户端，服务端不希望用户端缓存资源，在下次请求资源时，必需要从新请求服务器，不可以从缓存副本中获取资源。

• Cache-Control是响应头中很重要的信息，当用户端请求头中包含Cache-Control:max-age=0请求，明确表示不会缓存服务器资源时,Cache-Control作为作为回应信息，通常会返回no-cache，意思就是说，”那就不缓存呗”。

• 当用户端在请求头中没有包含Cache-Control时，服务端往往会定,不同的资源不同的缓存策略，比方说oschina在缓存图片资源的策略就是Cache-Control：max-age=86400,这个意思是，从当前时间开始，在86400秒的时间内，用户端能直接从缓存副本中读取资源，而不需要向服务器请求。

2. Connection：keep-alive

这个字段作为回应用户端的Connection：keep-alive，告诉用户端服务器的tcp连接也是一个长连接，用户端能继续用这个tcp连接发送http请求。

3. Content-Encoding:gzip

告诉用户端，服务端发送的资源是采使用gzip编码的，用户端看到这个信息后，应该采使用gzip对资源进行解码。

4. Content-Type：text/html;charset=UTF-8

告诉用户端，资源文件的类型，还有字符编码，用户端通过utf-8对资源进行解码，而后对资源进行html解析。通常我们会看到有些网站是乱码的，往往就是服务器端没有返回正确的编码。

5. Date：Sun, 21 Sep 2016 06:18:21 GMT

这个是服务端发送资源时的服务器时间，GMT是格林尼治所在地的标准时间。http协议中发送的时间都是GMT的，这主要是处理在互联网上，不同时区在相互请求资源的时候，时间混乱问题。

6. Expires:Sun, 1 Jan 2000 01:00:00 GMT

这个响应头也是跟缓存有关的，告诉用户端在这个时间前，能直接访问缓存副本，很显然这个值会存在问题，由于用户端和服务器的时间不肯定会都是相同的，假如时间不同就会导致问题。所以这个响应头是没有Cache-Control：max-age=*这个响应头精确的，由于max-age=date中的date是个相对时间，不仅更好了解，也更精确。

7. Pragma:no-cache

这个含义与Cache-Control等同。

8.Server：Tengine/1.4.6

这个是服务器和相对应的版本，只是告诉用户端服务器的信息。

9. Transfer-Encoding：chunked

这个响应头告诉用户端，服务器发送的资源的方式是分块发送的。一般分块发送的资源都是服务器动态生成的，在发送时还不知道发送资源的大小，所以采使用分块发送，每一块都是独立的，独立的块都可以标示自己的长度，最后一块是0长度的，当用户端读到这个0长度的块时，即可以确定资源已经传输完了。

10. Vary: Accept-Encoding

告诉缓存服务器，缓存压缩文件和非压缩文件两个版本，现在这个字段使用处并不大，由于现在的浏览器都是支持压缩的。

响应状态码

响应状态代码有三位数字组成，第一个数字定义了响应的类别，且有五种可可以取值。

常见状态码：

• 100~199：表示服务器成功接收部分请求，要求用户端继续提交其他请求才可以完成整个解决过程。

• 200~299：表示服务器成功接收请求并已完成整个解决过程。常使用200（OK 请求成功）。

• 300~399：为完成请求，用户需进一步细化请求。例如：请求的资源已经移动一个新地址、常使用302（所请求的页面已经临时转移至新的url）、307和304（用缓存资源）。

• 400~499：用户端的请求有错误，常使用404（服务器无法找到被请求的页面）、403（服务器拒绝访问，权限不够）。

• 500~599：服务器端出现错误，常使用500（请求未完成。服务器遇到不可预知的情况）。

Cookie 和 Session：

服务器和用户端的交互仅限于请求/响应过程，结束之后便断开，在下一次请求时，服务器会认为新的用户端。

为了维护他们之间的链接，让服务器知道这是前一个使用户发送的请求，必需在一个地方保存用户端的信息。

Cookie：通过在 用户端 记录的信息确定使用户的身份。

Session：通过在 服务器端 记录的信息确定使用户的身份。