爬虫与Python：（一）网络爬虫概念篇——6.HTTP基本原理
接下来，要介绍HTTP的基本原理，介绍为什么在浏览器输入URL就可以看到网页的内容。孙子曰：“”知己知彼，百战不殆。”因此，要爬取网页，必须要了解一下要爬取的对象的基本原理——HTTP的基本原理（虽然，我默认大多数人都会了，但是能够有条理的把它说出来，是不是可以增加吹牛的资本呢？）。
HTTP（Hyper Text Transfer Protocol, 超文本传输协议），用于网络传输文本数据到本地的浏览器协议。接下来，分别了解以下内容：
1. URI和URL
| 名称 | 全称 | 说明 |
| URI | Uniform Resource Identify | 统一资源标识符 |
| URL | Uniform Resource Locator | 统一资源定位符 |
| URN | Uniform Resource Name | 统一资源名称 |
- 例如“https://www.baidu.com/s?wd=%E7%88%AC%E8%99%AB%E6%95%99%E7%A8%8B ”是一个链接，它是URL，也是URI。
- 使用URL/URI来唯一指定它的访问方式。这里包括了访问协议https 、访问主机www.baidu.com 和资源路径（“/”后面的内容）。通过这样一个链接，我们可以在互联网上找到这个资源，也就是URL/URI。
- 一般来说，为了简化，统一称为URL。
- 笼统地说，每个URL都是URI，但每一个URI不一定都是URL。
- URI还包括一个子类——URN(Uniforn Resource Name , 统一资源名称) ，它命名资源但不定位资源。
URL与URI关系
- URI是纯粹的句法结构，用于指定标识Web资源的字符串各个不同部分。URL是URI的一个特定，它包含了定位Web资源的足够信息。
- 其他URI,例如邮箱地址，它不属于定位符，因为根据该标识符无法定位任何资源。
2.超文本
超文本，即超级文本，对应的英文名称为HyperText。我们平时打开浏览器所看到的网页就是超文本解析而成的。其网页源码是一系列的HTML代码，包含各种标签，例如图片标签 img 、 div 布局等。
3. HTTP和HTTPS
我们访问网站的时候，会看到 http 或 https 开头，这就是所需要的访问资源的协议类型。有时候，还会看到 ftp 、 sftp 、 smb 开头的URL，它们也是协议类型。在爬虫中，抓取的页面通常是 http 或 https 协议。
| 简称 | 全称 | 中文名称 | 描述 | 由来 |
| HTTP | Hypter Text Transfter Protocol | 超文本传输协议 | 用于网咯传输超文本数据到本地的浏览器传送协议，它能保证高效而准确的传送文本文档。 | HTTP是由万网协会（World Wide Web Consortium）和互联网工作小组IETF(Internet Engineering TaskForce)共同合作指定的规范，目前广泛使用的是HTTP 1.1版本。 |
| HTTPS | Hypter Text Transfter Protocol over Secure Socket Layer | 超文本传输安全协议 |
以安全为目标的HTTP通道，简单来说，是HTTP的安全版，即HTTP下加入SSL层。 HTTPS的安全基础是SSL，因此加密的详细内容就是SSL。 提供了身份验证与加密通信方法。 现在广泛应用于万维网上安全敏感的通信，如交易支付方面。 |
最初的由网景公司（Netscape）进行，并内置于浏览器Netscape Navigator 。 |
- HTTPS是一个URLI Scheme(抽象标识符)，句法同http:体系。
- HTTPS不同于HTTP，它包含了默认端口及一个加密/身份验证层（在HTTP和TCP之前。）
扩展
现在，越来越多的网站和APP都在使用HTTPS，例如我们每天都在使用的聊天工具微信、微信公众号、微信小程序等，这说明了未来肯定以HTTPS是为未来的发展方向。
然而，有些网站虽然使用了HTTPS,却仍然不被浏览器信任，例如12306的购票网站。
这是因为12306的CA证书是由中国铁道部自行签发的，而这个证书是不被CA机构信任的，所以才会出现这样的提示。实际上，它的数据是经过SSL加密认证的。如果爬取这样的站点就需要设置忽略证书的选项，否则会提示SSL链接错误。
4.HTTP请求过程
通过前面，我们知道了什么是HTTP和HTTPS，接下来我们了解Ixia它们的请求过程。
由于HTTP和HTTPS的请求过程一致，所以，这里就直接以HTTP为例。简单的理解，就是发起请求+反馈的过程。
HTTP请求过程可以归纳为以下几个步骤：
- 客户端浏览器向网站所在的服务器发送一个请求。
- 网站服务器收到请求后解析并处理，然后返回响应对应的数据给浏览器。
- 浏览器包含网页源代码等内容，浏览器进行解析，最终将结果呈现给用户。
为了能够直观的理解这个过程，打开Chrome浏览器，然后按【F12】，然后打开淘宝主页。观察右侧开发者模式中的选项卡，点击【Network】,看到了很多条目，其实这是一个请求接收和响应的过程。
各个列的含义如下表。
| 列名 | 含义 |
| Name | 代表请求名称，一般情况下，URL的最后一部分内容就是名称。 |
| Status | 响应的状态码，如果显示200则表示正常响应，通过这个状态码可以判断发送请求后是否正常响应。如常见的状态码是404、500等。 |
| Type | 请求类型。常见类型有xhr、document等。document表示请求的是一个html文档，响应的内容就是一些HTML代码。 |
| Initiator | 请求源头。用来标记请求时哪个对象发起的。 |
| Size | 表示从服务器下载的文件和请求的资源大小。如果是从缓存中取得的资源，则该列会显示from cache。 |
| Time | 表示发起请求到响应所耗费的总时间。 |
| Waterfall | 网络请求的可视化瀑布流。 |
打开其中一个请求，可以看到关于请求更详细的信息。
| 部分 | 详情 |
| General部分 | Request URL为请求的URL,Request Method为请求的方法，Status Code 为响应码，Remote Address 为远程服务的地址和端口。Refferrer Policy 为Referrer判别策略。 |
| Response Header 和 Request Header部分 | 该部分代表响应头和请求头。请求头中有许多信息，如浏览器标识、Cookie、Host等。这是请求的一部分，服务器会根据请求头内部的信息判断请求是否合法，进而错处对应的响应。 |
