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)

  • 企业所得税汇算清缴补缴税款分录
  • 委托贷款利息收入需要缴纳增值税么
  • 纳税等级是指什么意思
  • 动迁补偿款怎么算
  • 哪些增值税专用发票可以抵扣进项税
  • 软件销售利润
  • 非流动资产处置损失属于什么会计科目
  • 拓展费税收分类编码
  • 存货核算与销售核算直接联系的是
  • 转让无形资产增值税
  • 企业年报 工商
  • 税法关于发票丢失的
  • 建筑行业新老项目对比
  • 企业股东投资
  • 政府拨入企业的资金怎么入账
  • 收到微信公众号退款怎么做账
  • 总公司调到子公司
  • 行政单位的财务报告包括财务报表和财务情况说明书
  • 超市热卖食品
  • 投资项目非股权比例
  • 进料余料结转的征免方式
  • 应交税费是什么科目借贷方向
  • 企业收到经营外的发票如何做账
  • 为什么增值税发票综合服务平台进不去
  • 增值税优惠的二级明细科目
  • 回购股票手续费会计分录
  • 软件企业研发费用占比要求
  • 运输公司购买机票怎么买
  • 股权转让流程详解
  • 不是公司员工可以买原始股吗
  • 顶账的固定资产怎么入账
  • win10自带播放器不见了
  • 纳税人哪些支出不用交税
  • 收到合同款
  • 琼斯的大海怪
  • 入股分红项目
  • 报关代理费是什么
  • 工程审计的目的包括哪些
  • h5适配iphonex
  • php投票代码
  • 原材料科目是什么意思
  • 个人所得税如何计算
  • php权限框架
  • 该税号缺少必要信息
  • thinkPHP模板不存在抛出异常
  • 销售货物的收入总额包括什么
  • 一般纳税人企业所得税如何计算
  • 微信支付开发包
  • 作为大学生你能为国家安全贡献哪些力量论文
  • 西安微信公众号开发
  • 红包生成算法
  • 待抵扣进项税额的账务处理
  • 已交土地使用金的划拨商品房与商品房的的区别
  • 股权激励费用怎么做账
  • 付款后没有发票怎么办
  • 房租收入怎么确认收入
  • 城镇土地使用税征收范围
  • 机关事业单位以高于市场价租赁房屋
  • 未分配利润转增股本要交税吗怎么交
  • 公司委托公司收款范本
  • windows2008 iis7如何取消目录执行权限的详细图文介绍
  • 怎么找回手机删除的照片和视频
  • linux datetime命令
  • whagent.exe - whagent是什么进程
  • win10预览版21337
  • win8系统桌面图标怎么变小
  • win7系统自带网卡吗?
  • cocos lua js
  • jquery地址
  • node.js使用教程
  • 基于javascript的毕业设计
  • js中||的用法
  • nginx日志路径配置
  • shell脚本解压tar文件
  • unity3d人物模型
  • unity meshcollider
  • 在医院如何开报告单
  • 证券经纪人收入构成
  • 零申报印花税的应税凭证名称怎么填写
  • 消费税记不记入成本
  • 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