標籤：div 資料 閱讀 url 簡介 nal 額外 報文 meta
HTTP協議是什嗎？你瀏覽的每一個網頁都是基於 HTTP 協議呈現的，HTTP 協議是互連網應用中，用戶端（瀏覽器）與伺服器之間進行資料通訊的一種協議。協議中規定了用戶端應該按照什麼格式給伺服器發送請求，同時也約定了服務端返回的響應結果應該是什麼格式。
只要大家都按照協議規定方式發起請求和返迴響應結果，任何人都可以基於HTTP協議實現自己的Web用戶端（瀏覽器、爬蟲）和Web伺服器（Nginx、Apache等）。
HTTP 協議本身是非常簡單的。它規定，只能由用戶端主動發起請求，伺服器接收請求處理後返迴響應結果，同時 HTTP 是一種無狀態的協議，協議本身不記錄用戶端的曆史請求記錄。
HTTP 協議是如何規定請求格式和響應格式的呢？換言之，用戶端按照什麼格式才能正確發起 HTTP 要求呢？服務端按照什麼格式返迴響應結果用戶端才能正確解析？
HTTP 要求HTTP 要求由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，並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，分別是要求方法（method)、請求URL（URI）、HTTP協議版本，以空格隔開。
HTTP協議中最常用的要求方法有：GET、POST、PUT、DELETE。GET 方法用於從伺服器擷取資源，90%的爬蟲都是基於GET請求抓取資料。
請求 URL 是指資源所在伺服器的路徑地址，比如的例子表示用戶端想擷取 index.html 這個資源，它的路徑在伺服器 http://foofish.net 的根目錄（/）下面。
請求首部因為請求行所攜帶的資訊量非常有限，以至於用戶端還有很多想向伺服器要說的事情不得不放在請求首部（Header），請求首部用於給伺服器提供一些額外的資訊，比如 User-Agent 用來表明用戶端的身份，讓伺服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種首部欄位類型。HTTP首部欄位的格式很像 Python 中的字典類型，由索引值對組成，中間用冒號隔開。比如：
User-Agent: Mozilla/5.0因為用戶端發送請求時，發送的資料（報文）是由字串構成的，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。
請求體請求體是用戶端提交給伺服器的真正內容，比如使用者登入時的需要用的使用者名稱和密碼，比如檔案上傳的資料，比如註冊使用者資訊時提交的表單資訊。
現在我們用 Python 提供的最原始API socket 模組來類比向伺服器發起一個 HTTP 要求
with socket.socket(socket.AF_INET, socket.SOCK_STREAM) as s: # 1. 與伺服器建立串連 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，指定主機名稱 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部分內容用分行符號分隔，組成一個請求報文字串 # 發送給伺服器 message = b"\r\n".join([request_line, headers, blank_line]) s.send(message) # 伺服器返回的響應內容稍後進行分析 response = s.recv(1024) print(response)服務端接收請求並處理後，返迴響應內容給用戶端，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，由服務端支援的 HTTP 協議版本號碼、狀態代碼、以及對狀態代碼的簡短原因描述組成。
狀態代碼是響應行中很重要的一個欄位。通過狀態代碼，用戶端可以知道伺服器是否正常處理的請求。如果狀態代碼是200，說明用戶端的請求處理成功，如果是500，說明伺服器處理請求的時候出現了異常。404 表示請求的資源在伺服器找不到。除此之外，HTTP 協議還很定義了很多其他的狀態代碼，不過它不是本文的討論範圍。
響應首部響應首部和請求首部類似，用於對響應內容的補充，在首部裡面可以告知用戶端響應體的資料類型是什嗎？響應內容返回的時間是什麼時候，響應體是否壓縮了，響應體最後一次修改的時間。
響應體響應體（body）是伺服器返回的真正內容，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伺服器返回的響應結果是什嗎？因為我只接收了前1024個位元組，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，它與協議中規範的格式是一樣的，第一行是響應行，狀態代碼是200，表明請求成功。第二部分是響應首部資訊，由多個首部組成，有伺服器返迴響應的時間，Cookie資訊等等。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類比瀏覽器發送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。
當然 HTTP 協議遠不止這麼一點內容，也根本不可能用一篇文章就試圖把它全部講清楚，我在這裡也只是拋磚引玉，想深入瞭解HTTP的，可參考「Python之禪」推薦的延伸閱讀。
http 簡介
Start building with 50+ products and up to 12 months usage for Elastic Compute Service
1 on 1 presale consultation
24/7 Technical Support 6 Free Tickets per Quarter Faster Response
Alibaba Cloud offers highly flexible support services tailored to meet your exact needs.
A comprehensive suite of global cloud computing services to power your business
Payment Methods We Support
