前言
python/266511.html">爬蟲的基本原理是模擬瀏覽器進行 HTTP 請求，理解 HTTP 協議是寫爬蟲的必備基礎，招聘網站的爬蟲崗位也赫然寫著熟練掌握HTTP協議規范，寫爬蟲還不得不先從HTTP協議開始講起
HTTP協議是什么？
你瀏覽的每一個網頁都是基于 HTTP 協議呈現的，HTTP 協議是互聯網應用中，客戶端（瀏覽器）與服務器之間進行數據通信的一種協議。協議中規定了客戶端應該按照什么格式給服務器發送請求，同時也約定了服務端返回的響應結果應該是什么格式。
只要大家都按照協議規定方式發起請求和返回響應結果，任何人都可以基于HTTP協議實現自己的Web客戶端（瀏覽器、爬蟲）和Web服務器（Nginx、Apache等）。
HTTP 協議本身是非常簡單的。它規定，只能由客戶端主動發起請求，服務器接收請求處理后返回響應結果，同時 HTTP 是一種無狀態的協議，協議本身不記錄客戶端的歷史請求記錄。
HTTP 協議是如何規定請求格式和響應格式的呢？換言之，客戶端按照什么格式才能正確發起 HTTP 請求呢？服務端按照什么格式返回響應結果客戶端才能正確解析？
HTTP 請求
HTTP 請求由3部分組成，分別是請求行、請求首部、請求體，首部和請求體是可選的，并不是每個請求都需要的。
請求行
請求行是每個請求必不可少的部分，它由3部分組成，分別是請求方法（method)、請求URL（URI）、HTTP協議版本，以空格隔開。
HTTP協議中最常用的請求方法有：GET、POST、PUT、DELETE。GET 方法用于從服務器獲取資源，90%的爬蟲都是基于GET請求抓取數據。
請求 URL 是指資源所在服務器的路徑地址，比如上圖的例子表示客戶端想獲取 index.html 這個資源，它的路徑在服務器 foofish.net 的根目錄（/）下面。
請求首部
因為請求行所攜帶的信息量非常有限，以至于客戶端還有很多想向服務器要說的事情不得不放在請求首部（Header），請求首部用于給服務器提供一些額外的信息，比如 User-Agent 用來表明客戶端的身份，讓服務器知道你是來自瀏覽器的請求還是爬蟲，是來自 Chrome 瀏覽器還是 FireFox。HTTP/1.1 規定了47種首部字段類型。HTTP首部字段的格式很像 Python 中的字典類型，由鍵值對組成，中間用冒號隔開。比如：
User-Agent: Mozilla/5.0
因為客戶端發送請求時，發送的數據（報文）是由字符串構成的，為了區分請求首部的結尾和請求體的開始，用一個空行來表示，遇到空行時，就表示這是首部的結尾，請求體的開始。
請求體
請求體是客戶端提交給服務器的真正內容，比如用戶登錄時的需要用的用戶名和密碼，比如文件上傳的數據，比如注冊用戶信息時提交的表單信息。
現在我們用 Python 提供的最原始API socket 模塊來模擬向服務器發起一個 HTTP 請求
with socket.socket(socket.AF_INET, socket.SOCK_STREAM) as s: # 1. 與服務器建立連接 s.connect(("www.seriot.ch", 80)) # 2. 構建請求行，請求資源是 index.php request_line = b"GET /index.php HTTP/1.1" # 3. 構建請求首部，指定主機名 headers = b"Host: seriot.ch" # 4. 用空行標記請求首部的結束位置 blank_line = b"/r/n" # 請求行、首部、空行這3部分內容用換行符分隔，組成一個請求報文字符串 # 發送給服務器 message = b"/r/n".join([request_line, headers, blank_line]) s.send(message) # 服務器返回的響應內容稍后進行分析 response = s.recv(1024) print(response)HTTP 響應
服務端接收請求并處理后，返回響應內容給客戶端，同樣地，響應內容也必須遵循固定的格式瀏覽器才能正確解析。HTTP 響應也由3部分組成，分別是：響應行、響應首部、響應體，與 HTTP 的請求格式是相對應的。
響應行
響應行同樣也是3部分組成，由服務端支持的 HTTP 協議版本號、狀態碼、以及對狀態碼的簡短原因描述組成。
狀態碼是響應行中很重要的一個字段。通過狀態碼，客戶端可以知道服務器是否正常處理的請求。如果狀態碼是200，說明客戶端的請求處理成功，如果是500，說明服務器處理請求的時候出現了異常。404 表示請求的資源在服務器找不到。除此之外，HTTP 協議還很定義了很多其他的狀態碼，不過它不是本文的討論范圍。
響應首部
響應首部和請求首部類似，用于對響應內容的補充，在首部里面可以告知客戶端響應體的數據類型是什么？響應內容返回的時間是什么時候，響應體是否壓縮了，響應體最后一次修改的時間。
響應體
響應體（body）是服務器返回的真正內容，它可以是一個HTML頁面，或者是一張圖片、一段視頻等等。
我們繼續沿用前面那個例子來看看服務器返回的響應結果是什么？因為我只接收了前1024個字節，所以有一部分響應內容是看不到的。
b'HTTP/1.1 200 OK/r/nDate: Tue, 04 Apr 2017 16:22:35 GMT/r/nServer: Apache/r/nExpires: Thu, 19 Nov 1981 08:52:00 GMT/r/nSet-Cookie: PHPSESSID=66bea0a1f7cb572584745f9ce6984b7e; path=//r/nTransfer-Encoding: chunked/r/nContent-Type: text/html; charset=UTF-8/r/n/r/n118d/r/n<!DOCTYPE html PUBLIC "-//W3C//DTD XHTML 1.0 Strict//EN" "http://www.w3.org/TR/xhtml1/DTD/xhtml1-strict.dtd">/n/n<html xmlns="http://www.w3.org/1999/xhtml" xml:lang="en" lang="en">/n<head>/n/t <meta http-equiv="Content-Type" content="text/html;charset=iso-8859-1" /> /n/t <meta http-equiv="content-language" content="en" />/n/t...</html>
從結果來看，它與協議中規范的格式是一樣的，第一行是響應行，狀態碼是200，表明請求成功。第二部分是響應首部信息，由多個首部組成，有服務器返回響應的時間，Cookie信息等等。第三部分就是真正的響應體 HTML 文本。
至此，你應該對 HTTP 協議有一個總體的認識了，爬蟲的行為本質上就是模擬瀏覽器發送HTTP請求，所以要想在爬蟲領域深耕細作，理解 HTTP 協議是必須的。
總結
以上就是這篇文章的全部內容，希望本文的內容對大家的學習或者工作能帶來一定的幫助，如果有疑問大家可以留言交流，謝謝大家對VEVB武林網的支持。
新聞熱點
疑難解答
