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)

  • 预提所得税的计税依据
  • 企业租车能抵增值税吗
  • 无票收入小规模怎么报增值税
  • 百旺普通发票作废流程
  • 500元以内的商品都有哪些
  • 一般纳税人销售农产品增值税税率
  • 本期实际缴费金额指的是什么
  • 哪些单位和个人可构成全宗
  • 准予抵扣的进项税额计算公式
  • 汽修店的服务项目有哪些
  • 别人提供原材料加工后加工费
  • 当月作废的专票需要开负数发票么
  • 国内公司向境外公司借款
  • 公司发实物要交税吗
  • 公司怎么申请开票资格?
  • 怎么查公司连续缴纳社保记录
  • 国税发200931号文件解读
  • 金蝶k3币别汇率类型设置
  • 一般纳税人专业分包税率
  • 小微企业季度销售额超过30万增值税
  • 公司房产税如何计算器
  • 发票红冲和作废一样吗
  • 个体户需要对公户吗
  • 企业资产转移是什么意思
  • 活动展开方式怎么写
  • 怎么关闭win11安装软件提示
  • win7电脑加入域
  • 苹果电脑mac设备在哪里
  • 党团活动经费如何节约
  • 小规模纳税人如何缴纳企业所得税
  • 失控发票的企业如何处理
  • phpstudy的ftp
  • 视同销售成本如何确认?
  • 个体工商户筹集资金的难易程度
  • 企业缴纳的所得税应以净利润为基础
  • php实现数据库查询
  • python web开发方向的第三方库有哪些
  • java代理类是什么
  • 货款收不回来了怎么做账
  • 购买电子承兑差额是多少
  • 销售旧货和销售使用过的物品税率
  • 代收代缴水费可以加多少损耗
  • mysql null+1
  • 社保缴费是当月扣当月的吗
  • 销售并提供安装服务怎么开票
  • 银行开出的发票可以进行税抵扣吗?
  • 购进国内交通运输产品
  • 小规模开发票免税如何记账?
  • 计提成本后如何冲回
  • 现金收货款要填什么信息
  • 去年多交所得税今年怎么处理
  • 购买的税控盘可以全额抵扣,怎么报
  • 个体户银行开户所需资料
  • 哪些发票可以报账
  • sql-3
  • sqlserver聚集索引和非聚集索引会不会改变原Id
  • mysql 添加外键
  • mac有线不能上网
  • centos安装选择哪个
  • xp系统优化软件哪个好
  • winxp内存不能为read
  • linux限速
  • win7系统运行红警黑屏有声音
  • win7笔记本电脑
  • lua struct
  • <Unity UGUI>使用c#反射实现UGUI文本显示的国际化
  • 微信小程序实现查询功能
  • Node.js Mongodb 密码特殊字符 @的解决方法
  • android资源文件
  • vue@cli
  • javascript随机生成数字
  • js怎么设置图片大小
  • python怎么用的
  • 国家税务总局全国增值税查询
  • 公司在异地办公
  • 怎么打印纳税申报表带章的
  • 办理出口退税需要销售合同吗
  • 地税局跟税务局有什么区别
  • epc项目不接受联合体投标违规吗
  • 个人股和公司股
  • 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