位置: 编程技术 - 正文

python爬虫入门教程--快速理解HTTP协议(一)(python爬虫入门教程非常详细)

编辑:rootadmin

推荐整理分享python爬虫入门教程--快速理解HTTP协议(一)(python爬虫入门教程非常详细),希望有所帮助,仅作参考,欢迎阅读内容。

文章相关热门搜索词:python爬虫快速入门,python爬虫入门教程pdf,python爬虫从入门到精通,python爬虫从入门到精通,python爬虫入门教程pdf,python爬虫入门教程pdf,python爬虫入门教程pdf,python爬虫入门教程非常详细,内容如对您有帮助,希望把文章链接给更多的朋友!

前言

爬虫的基本原理是模拟浏览器进行 HTTP 请求,理解 HTTP 协议是写爬虫的必备基础,招聘网站的爬虫岗位也赫然写着熟练掌握HTTP协议规范,写爬虫还不得不先从HTTP协议开始讲起

HTTP协议是什么?

你浏览的每一个网页都是基于 HTTP 协议呈现的,HTTP 协议是互联网应用中,客户端(浏览器)与服务器之间进行数据通信的一种协议。协议中规定了客户端应该按照什么格式给服务器发送请求,同时也约定了服务端返回的响应结果应该是什么格式。

只要大家都按照协议规定方式发起请求和返回响应结果,任何人都可以基于HTTP协议实现自己的Web客户端(浏览器、爬虫)和Web服务器(Nginx、Apache等)。

HTTP 协议本身是非常简单的。它规定,只能由客户端主动发起请求,服务器接收请求处理后返回响应结果,同时 HTTP 是一种无状态的协议,协议本身不记录客户端的历史请求记录。

HTTP 协议是如何规定请求格式和响应格式的呢?换言之,客户端按照什么格式才能正确发起 HTTP 请求呢?服务端按照什么格式返回响应结果客户端才能正确解析?

HTTP 请求

HTTP 请求由3部分组成,分别是请求行、请求首部、请求体,首部和请求体是可选的,并不是每个请求都需要的。

请求行

请求行是每个请求必不可少的部分,它由3部分组成,分别是请求方法(method)、请求URL(URI)、HTTP协议版本,以空格隔开。

HTTP协议中最常用的请求方法有:GET、POST、PUT、DELETE。GET 方法用于从服务器获取资源,%的爬虫都是基于GET请求抓取数据。

请求 URL 是指资源所在服务器的路径地址,比如上图的例子表示客户端想获取 index.html 这个资源,它的路径在服务器 foofish.net 的根目录(/)下面。

请求首部

python爬虫入门教程--快速理解HTTP协议(一)(python爬虫入门教程非常详细)

因为请求行所携带的信息量非常有限,以至于客户端还有很多想向服务器要说的事情不得不放在请求首部(Header),请求首部用于给服务器提供一些额外的信息,比如 User-Agent 用来表明客户端的身份,让服务器知道你是来自浏览器的请求还是爬虫,是来自 Chrome 浏览器还是 FireFox。HTTP/1.1 规定了种首部字段类型。HTTP首部字段的格式很像 Python 中的字典类型,由键值对组成,中间用冒号隔开。比如:

因为客户端发送请求时,发送的数据(报文)是由字符串构成的,为了区分请求首部的结尾和请求体的开始,用一个空行来表示,遇到空行时,就表示这是首部的结尾,请求体的开始。

请求体

请求体是客户端提交给服务器的真正内容,比如用户登录时的需要用的用户名和密码,比如文件上传的数据,比如注册用户信息时提交的表单信息。

现在我们用 Python 提供的最原始API socket 模块来模拟向服务器发起一个 HTTP 请求

HTTP 响应

服务端接收请求并处理后,返回响应内容给客户端,同样地,响应内容也必须遵循固定的格式浏览器才能正确解析。HTTP 响应也由3部分组成,分别是:响应行、响应首部、响应体,与 HTTP 的请求格式是相对应的。

响应行

响应行同样也是3部分组成,由服务端支持的 HTTP 协议版本号、状态码、以及对状态码的简短原因描述组成。

状态码是响应行中很重要的一个字段。通过状态码,客户端可以知道服务器是否正常处理的请求。如果状态码是,说明客户端的请求处理成功,如果是,说明服务器处理请求的时候出现了异常。 表示请求的资源在服务器找不到。除此之外,HTTP 协议还很定义了很多其他的状态码,不过它不是本文的讨论范围。

响应首部

响应首部和请求首部类似,用于对响应内容的补充,在首部里面可以告知客户端响应体的数据类型是什么?响应内容返回的时间是什么时候,响应体是否压缩了,响应体最后一次修改的时间。

响应体

响应体(body)是服务器返回的真正内容,它可以是一个HTML页面,或者是一张图片、一段视频等等。

我们继续沿用前面那个例子来看看服务器返回的响应结果是什么?因为我只接收了前个字节,所以有一部分响应内容是看不到的。

从结果来看,它与协议中规范的格式是一样的,第一行是响应行,状态码是,表明请求成功。第二部分是响应首部信息,由多个首部组成,有服务器返回响应的时间,Cookie信息等等。第三部分就是真正的响应体 HTML 文本。

至此,你应该对 HTTP 协议有一个总体的认识了,爬虫的行为本质上就是模拟浏览器发送HTTP请求,所以要想在爬虫领域深耕细作,理解 HTTP 协议是必须的。

总结

标签: python爬虫入门教程非常详细

本文链接地址:https://www.jiuchutong.com/biancheng/372364.html 转载请保留说明!

上一篇:用生成器来改写直接返回列表的函数方法(生成器作用)

下一篇:Python操作使用MySQL数据库的实例代码(python mypy)

  • 税后经营净利润怎么求
  • 核定征收个体户个人经营所得税税率
  • 税务局做社保关联带什么资料
  • 息税前利润的计算公式EBIT
  • 小规模城建税和教育费附加怎么算
  • 每个月发工资扣个税扣的肉疼
  • 港资企业定义
  • 本年已交税费怎么算
  • 建筑工程怎么确定施工工程进度
  • 出口无法收汇怎么办
  • 增值税都有哪些科目
  • 营业成本利润率降低说明什么
  • 进项税额转出补交税金会计分录
  • 其他业务收入的核算内容
  • 劳务费税收分类是什么
  • 关于有什么新的政策
  • 分期付款确认收入借方写啥
  • 固定资产小于500万一次性扣除政策
  • 1697508131
  • 子公司能转让吗
  • 股东认缴和实缴的会计分录
  • 租赁押金的法律规定
  • 投资性房地产企业有哪些
  • 如何把两个人的照片合在一起
  • PHP:JDToJulian()的用法_日历函数
  • 微信小程序项目开发实战
  • php redis使用
  • 推荐国内免费使用的电影
  • phpcms 还有人用吗
  • node.js环境搭建
  • 中国传统节日大概有多少
  • 企业会计准则对收入的定义
  • 房地产预缴增值税计税依据
  • 生活办公用品清单
  • 现金预算表中的归还借款和支付利息怎么算
  • 不抵扣勾选是什么
  • 合伙企业年底如何做账
  • 企业促销费用项目有哪些
  • 单位租的个人房怎么入账
  • 抵押贷款购买商品合法吗
  • 未计提坏账准备金额在哪个表
  • 构建固定资产的借款利息资本化文件依据
  • 业务招待费能计入项目成本吗
  • 费用报销冲抵借支
  • 收到微信公众号反诈骗风险提示
  • 印花税税率是多少
  • 行政事业单位支出范围和标准
  • 研发成功后的产品出售如何处理
  • 超市发票报销一般写什么明细
  • 金蝶当月没有账如何结转到下月
  • 企业投资所得如何征税
  • sqlserver导出数据库及表结构
  • mysql事件调用存储过程
  • sql查询界面怎么做
  • 如果一个sql语句中包括两个名字
  • mysql跨服务器查询语句
  • xp系统字体安装方法
  • 本地硬盘满了怎么办
  • 怎么学linux
  • win7系统谷歌浏览器错误代码a00a0017
  • Linux服务器端口状态
  • win7系统的桌面图标怎么调出来
  • cocos2dx 3.17
  • android openconnect
  • unity角色系统
  • AndroidSharedpreference数据共享
  • 被调用的对象已与其客户端断开连接怎么办
  • linux中shell脚本实验总结
  • mysql 导出指定表
  • python2.7多进程
  • 使用nodejs开发后端
  • bat批处理如何添加参数运行
  • nodejs例子
  • javascript实现2016新年版日历
  • 严格模式的作用
  • js中slice方法的作用
  • javascript编程语言
  • 带领大家学习javascript基础篇(一)之基本概念
  • Python中列表元素可通过什么访问
  • 怎么查询购置税交了没有
  • 免责声明:网站部分图片文字素材来源于网络,如有侵权,请及时告知,我们会第一时间删除,谢谢! 邮箱:opceo@qq.com

    鄂ICP备2023003026号

    网站地图: 企业信息 工商信息 财税知识 网络常识 编程技术

    友情链接: 武汉网站建设