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)

  • 税收筹划分为哪几类
  • 应付账款超过三年未付
  • 增值税销项抵扣报税后有效期是多长时间
  • 设备使用率怎么计算公式
  • 合作社增值税免税项目
  • 收到三代手续费返还
  • 提前给货款计入什么科目
  • 持有至到期投资在资产负债表怎么填
  • 成本法和权益法大白话
  • 固定资产转为投资性房地产折旧怎么算
  • 一般纳税人进项发票认证操作流程
  • 进口货物报关费可以计入制造费用
  • 增值税普通发票需要交税吗
  • 单位有临时工工资怎么发
  • 价值多少可以确认收入
  • 2月发1月工资个税怎么算
  • 支票存根没有进账怎么办
  • 购货方跨月销项负数发票如何做账?
  • 使窗口最小化的快捷键
  • 压缩包损坏修复软件
  • 收到个人款开公司发票
  • 软件远程调用失败是什么意思
  • nuxt支持vue3吗
  • mac睡眠后无法正常唤醒
  • sesvc.exe是什么进程
  • 总公司拨给分公司的钱怎么平账
  • 票据的功能及概念
  • 小米mini路由器mesh
  • wamp环境搭建的过程
  • 发票复核和收款人未填写
  • 盘亏结转
  • 你知道怎么训练
  • stacking 集成
  • 百度地图 申请
  • uni-app实例教程
  • php curl_init
  • 银行存放中央银行准备金的会计处理
  • 材料暂估入账
  • 如何在织梦中设置图片加文字
  • 出口货物退货会退税吗
  • 床垫可以开专票抵扣吗
  • 企业购买期货
  • 企业的借款费用怎么入账
  • 拖欠工程款利息的司法解释
  • 电子发票找不到了可以找回吗
  • 国外公司给国内个人汇款
  • mongodb怎么复制粘贴
  • 设计模式模板方法和策略模式对比
  • 城建税要计入税金及附加吗
  • 个税免税部分
  • 安装sql2005提示sql server服务无法启动
  • 合同可以盖财务章子吗
  • 固定资产溢余账务处理
  • 职工福利基金提取流程
  • 开具红字发票抵扣后如何退税?
  • 工程施工的保险费的账务处理
  • 应付给股东的利润是什么科目
  • 企业单位为职工发放哪些福利
  • 单位车辆保险费
  • sqlsever导入数据时出现ole db连接数据无效
  • Windows server 2003 密码忘了
  • windows XP+Fedora 8+solaris 11三系统安装攻略
  • linux vmtool
  • rsync服务端配置
  • ubuntu系统怎么开机
  • macbook的qq怎么更换背景
  • win7更改电脑设置在哪里
  • linux root用户登陆
  • win 7系统无法删除系统文件
  • win8语音助手怎么关闭
  • assetstore怎么下载资源包
  • js中的filter方法
  • real interval
  • Unity3D之Vector3.Dot和Vector3.Cross的使用
  • android基本控件使用方法
  • layui jquery事件失效
  • python 转换为字符
  • javascript获取html元素的方法
  • 有限合伙企业怎么交税
  • 核定征收申报表填写
  • 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