02.python网络爬虫第二弹(http和https协议)

一.HTTP协议

　　1.官方概念:

　　　　HTTP协议是 Hyper Text Transfer Protocol(超文本传输协议)的缩写,是用于从万维网(www.world wide web)

服务器传输超文本到本地浏览器的传送协议

　　2.白话概念:

　　　　HTTP协议就是服务器(server) 和客户端(client)之间进行数据交互(相互传输数据)的一种形式,我们可以将

server 和 client 进行拟人化,那么该协议就是 server 和 client 这两兄弟间指定的一种交互沟通形式.

　　2.HTTP工作原理:

　　　　HTTP协议工作于客户端 - 服务端架构为上,浏览器作为HTTP客户端通过URL向HTTP服务端即WEB服务器发送

所有请求,Web服务器根据接收到的请求后,向客户端发送响应信息

 　　4.HTTP四点注意事项:

　　　　　　--- HTTP允许传输任意类型的数据对象,正在传输的类型由 contet-type加以标记

　　　　　　--- HTTP是无连接:无连接的含义是限制每次连接只处理一个请求,服务器处理完客户的请求,并

收到客户的应答后,即断开连接,采用这种方式可以节省传输时间

　　　　　　--- HTTP是媒体独立的:这意味着,只要客户端和服务端知道如何处理的数据内容,任何类型的数据都可以

通过HTTP发送,客户端以及服务器指定使用适合的MIME-Type内容类型

　　　　　　--- HTTP是无状态:HTTP协议是无状态协议,无状态是指协议对于事务处理没有记忆能力,缺少状态意味着

如果后续处理需要前面的信息,则它必须重传,这样可能导致每次连接传送的数据量增大,另一方面,在服务器不需要先前信息

时它的应答就较快

　　5.HTTP之URL:

HTTP使用统一资源标识符&＃xff08;Uniform Resource Identifiers, URI&＃xff09;来传输数据和建立连接。URL是一种特殊类型的URI&＃xff0c;包含了用于查找某个资源的足够的信息

URL,全称是UniformResourceLocator, 中文叫统一资源定位符,是互联网上用来标识某一处资源的地址。以下面这个URL为例&＃xff0c;介绍下普通URL的各部分组成&＃xff1a;http://www.aspxfans.com:8080/news/index.asp?boardID&＃61;5&ID&＃61;24618&page&＃61;1#name从上面的URL可以看出&＃xff0c;一个完整的URL包括以下几部分&＃xff1a;

　　　　- 协议部分&＃xff1a;该URL的协议部分为“http&＃xff1a;”&＃xff0c;这代表网页使用的是HTTP协议。在Internet中可以使用多种协议&＃xff0c;如HTTP&＃xff0c;FTP等等本例中使用的是HTTP协议。在"HTTP"后面的“//”为分隔符

　　　　- 域名部分&＃xff1a;该URL的域名部分为“www.aspxfans.com”。一个URL中&＃xff0c;也可以使用IP地址作为域名使用

　　　　- 端口部分&＃xff1a;跟在域名后面的是端口&＃xff0c;域名和端口之间使用“:”作为分隔符。端口不是一个URL必须的部分&＃xff0c;如果省略端口部分&＃xff0c;将采用默认端口

　　　　- 虚拟目录部分&＃xff1a;从域名后的第一个“/”开始到最后一个“/”为止&＃xff0c;是虚拟目录部分。虚拟目录也不是一个URL必须的部分。本例中的虚拟目录是“/news/”

　　　　- 文件名部分&＃xff1a;从域名后的最后一个“/”开始到“&＃xff1f;”为止&＃xff0c;是文件名部分&＃xff0c;如果没有“?”,则是从域名后的最后一个“/”开始到“#”为止&＃xff0c;是文件部分&＃xff0c;如果没有“&＃xff1f;”和“#”&＃xff0c;那么从域名后的最后一个“/”开始到结束&＃xff0c;都是文件名部分。本例中的文件名是“index.asp”。文件名部分也不是一个URL必须的部分&＃xff0c;如果省略该部分&＃xff0c;则使用默认的文件名

　　　　- 锚部分&＃xff1a;从“#”开始到最后&＃xff0c;都是锚部分。本例中的锚部分是“name”。锚部分也不是一个URL必须的部分

　　　　- 参数部分&＃xff1a;从“&＃xff1f;”开始到“#”为止之间的部分为参数部分&＃xff0c;又称搜索部分、查询部分。本例中的参数部分为“boardID&＃61;5&ID&＃61;24618&page&＃61;1”。参数可以允许有多个参数&＃xff0c;参数与参数之间用“&”作为分隔符。

　　6.HTTP之Request:

　　　　　　客户端发送一个HTTP请求到服务器的请求消息包括以下组成部分&＃xff1a;

报文头&＃xff1a;常被叫做请求头&＃xff0c;请求头中存储的是该请求的一些主要说明&＃xff08;自我介绍&＃xff09;。服务器据此获取客户端的信息。

　　　　　　　　常见的请求头&＃xff1a;

　　　　　　　　accept:浏览器通过这个头告诉服务器&＃xff0c;它所支持的数据类型

　　　　　　　　Accept-Charset: 浏览器通过这个头告诉服务器&＃xff0c;它支持哪种字符集
　　　　　　　　Accept-Encoding&＃xff1a;浏览器通过这个头告诉服务器&＃xff0c;支持的压缩格式
　　　　　　　　Accept-Language&＃xff1a;浏览器通过这个头告诉服务器&＃xff0c;它的语言环境
　　　　　　　　Host&＃xff1a;浏览器通过这个头告诉服务器&＃xff0c;想访问哪台主机
　　　　　　　　If-Modified-Since: 浏览器通过这个头告诉服务器&＃xff0c;缓存数据的时间
　　　　　　　　Referer&＃xff1a;浏览器通过这个头告诉服务器&＃xff0c;客户机是哪个页面来的 防盗链
　　　　　　　　Connection&＃xff1a;浏览器通过这个头告诉服务器&＃xff0c;请求完后是断开链接还是何持链接
　　　　　　　　X-Requested-With: XMLHttpRequest 代表通过ajax方式进行访问

　　　　　　　　User-Agent&＃xff1a;请求载体的身份标识

　　　　报文体&＃xff1a;常被叫做请求体&＃xff0c;请求体中存储的是将要传输/发送给服务器的数据信息。

 　　　　7.HTTP 之 response:

　　　　　　服务器回传一个HTTP响应到客户端的响应消息包括以下组成部分&＃xff1a;

 　　　　　　　　　　　　状态码&＃xff1a;以“清晰明确”的语言告诉客户端本次请求的处理结果。

HTTP的响应状态码由5段组成&＃xff1a; 

• • • • 　　1xx 消息&＃xff0c;一般是告诉客户端&＃xff0c;请求已经收到了&＃xff0c;正在处理&＃xff0c;别急...
      • 　　2xx 处理成功&＃xff0c;一般表示&＃xff1a;请求收悉、我明白你要的、请求已受理、已经处理完成等信息.
      • 　　3xx 重定向到其它地方。它让客户端再发起一个请求以完成整个处理。
      • 　　4xx 处理发生错误&＃xff0c;责任在客户端&＃xff0c;如客户端的请求一个不存在的资源&＃xff0c;客户端未被授权&＃xff0c;禁止访问等。
      • 　　5xx 处理发生错误&＃xff0c;责任在服务端&＃xff0c;如服务端抛出异常&＃xff0c;路由出错&＃xff0c;HTTP版本不支持等。

　　　　相应头&＃xff1a;响应的详情展示

　　　　　　　　常见的相应头信息&＃xff1a;

　　　　　　　　　　　　Location: 服务器通过这个头&＃xff0c;来告诉浏览器跳到哪里
　　　　　　　　　　　　Server&＃xff1a;服务器通过这个头&＃xff0c;告诉浏览器服务器的型号
　　　　　　　　　　　　Content-Encoding&＃xff1a;服务器通过这个头&＃xff0c;告诉浏览器&＃xff0c;数据的压缩格式
　　　　　　　　　　　　Content-Length: 服务器通过这个头&＃xff0c;告诉浏览器回送数据的长度
　　　　　　　　　　　　Content-Language: 服务器通过这个头&＃xff0c;告诉浏览器语言环境
　　　　　　　　　　　　Content-Type&＃xff1a;服务器通过这个头&＃xff0c;告诉浏览器回送数据的类型
　　　　　　　　　　　　Refresh&＃xff1a;服务器通过这个头&＃xff0c;告诉浏览器定时刷新
　　　　　　　　　　　　Content-Disposition: 服务器通过这个头&＃xff0c;告诉浏览器以下载方式打数据
　　　　　　　　　　　　Transfer-Encoding&＃xff1a;服务器通过这个头&＃xff0c;告诉浏览器数据是以分块方式回送的
　　　　　　　　　　　　Expires: -1 控制浏览器不要缓存
　　　　　　　　　　　　Cache-Control: no-cache 
　　　　　　　　　　　　Pragma: no-cache

　　　　相应体&＃xff1a;根据客户端指定的请求信息&＃xff0c;发送给客户端的指定数据

　二 :HTTPS协议

　　1.官方概念:

　　　　-- HTTPS (Secure Hypertext Transfer Protocol)安全超文本传输协议&＃xff0c;HTTPS是在HTTP上建立SSL加密层&＃xff0c;并对传输数据进行加密&＃xff0c;是HTTP协议的安全版。

　　2.白话概念:

　　　　--- 加密安全版的HTTP协议

　　　3.HTTPS采用的加密技术:

　　　　　　3.1 SSL加密技术

　　　　　　　　ssl 采用的加密技术叫做"共享秘钥加密",　也叫作“对称密钥加密”&＃xff0c;这种加密方法是这样的&＃xff0c;比如客户端向服务器发送一条信息&＃xff0c;首先客户端会采用已知的算法对信息进行加密&＃xff0c;比如MD5或者Base64加密&＃xff0c;接收端对加密的信息进行解密的时候需要用到密钥&＃xff0c;中间会传递密钥&＃xff0c;&＃xff08;加密和解密的密钥是同一个&＃xff09;&＃xff0c;密钥在传输中间是被加密的。这种方式看起来安全&＃xff0c;但是仍有潜在的危险&＃xff0c;一旦被窃听&＃xff0c;或者信息被挟持&＃xff0c;就有可能破解密钥&＃xff0c;而破解其中的信息。因此“共享密钥加密”这种方式存在安全隐患&＃xff1a;

　　3.2 非对称秘钥加密技术

　　　　　-- “非对称加密”使用的时候有两把锁&＃xff0c;一把叫做“私有密钥”&＃xff0c;一把是“公开密钥”&＃xff0c;使用非对象加密的加密方式的时候&＃xff0c;服务器首先告诉客户端按照自己给定的公开密钥进行加密处理&＃xff0c;客户端按照公开密钥加密以后&＃xff0c;服务器接受到信息再通过自己的私有密钥进行解密&＃xff0c;这样做的好处就是解密的钥匙根本就不会进行传输&＃xff0c;因此也就避免了被挟持的风险。就算公开密钥被窃听者拿到了&＃xff0c;它也很难进行解密&＃xff0c;因为解密过程是对离散对数求值&＃xff0c;这可不是轻而易举就能做到的事。以下是非对称加密的原理图&＃xff1a;

但是非对称秘钥加密技术也存在如下缺点&＃xff1a;

　　　　　　　　第一个是&＃xff1a;如何保证接收端向发送端发出公开秘钥的时候&＃xff0c;发送端确保收到的是预先要发送的&＃xff0c;而不会被挟持。只要是发送密钥&＃xff0c;就有可能有被挟持的风险。

　　　　第二个是&＃xff1a;非对称加密的方式效率比较低&＃xff0c;它处理起来更为复杂&＃xff0c;通信过程中使用就有一定的效率问题而影响通信速度

 　　4.https的证书机制

在上面我们讲了非对称加密的缺点&＃xff0c;其中第一个就是公钥很可能存在被挟持的情况&＃xff0c;无法保证客户端收到的公开密钥就是服务器发行的公开密钥。此时就引出了公开密钥证书机制。数字证书认证机构是客户端与服务器都可信赖的第三方机构。证书的具体传播过程如下&＃xff1a;

　　　　　　1&＃xff1a;服务器的开发者携带公开密钥&＃xff0c;向数字证书认证机构提出公开密钥的申请&＃xff0c;数字证书认证机构在认清申请者的身份&＃xff0c;审核通过以后&＃xff0c;会对开发者申请的公开密钥做数字签名&＃xff0c;然后分配这个已签名的公开密钥&＃xff0c;并将密钥放在证书里面&＃xff0c;绑定在一起

 2&＃xff1a;服务器将这份数字证书发送给客户端&＃xff0c;因为客户端也认可证书机构&＃xff0c;客户端可以通过数字证书中的数字签名来验证公钥的真伪&＃xff0c;来确保服务器传过来的公开密钥是真实的。一般情况下&＃xff0c;证书的数字签名是很难被伪造的&＃xff0c;这取决于认证机构的公信力。一旦确认信息无误之后&＃xff0c;客户端就会通过公钥对报文进行加密发送&＃xff0c;服务器接收到以后用自己的私钥进行解密。