python网络爬虫《Http和Https协议》

一.http协议

　　1.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。

之间形成的特殊行话（黑话：（土匪）天王盖地虎，（我）宝塔镇河妖）称为协议。

　　2.http工作原理：

　　　　http协议工作于客户端-服务端架构上。浏览器作为http客户端通过url 向http服务器（web服务器）发送所有请求。web服务器根据接收到的请求后，向客户端发送相应信息。

　　3.http四点注意事项：

　　　　-http允许传输任意类型的数据对象。正在传输的类型油content-type加以标记。

　　　　-http是无连接的：无连接的含义是限制每次连接只处理一个请求。服务器处理完成客户的请求，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是无状态的：无状态是指对处理事务没有记忆功能，缺少状态意味着如果处理以前处理过的信息必须要重新传输，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他的应答比较快。

　　　　- http是媒体独立的：这意味着，只要客户端和服务器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。

　　4.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：

　　

　　　　报文头：常被叫做请求头，请求头中存储的是该请求的一些主要说明（自我介绍）。服务器据此获取客户端的信息。　　

　　　　常见的请求头：

　　　　　　accept：浏览器通过这个头告诉服务器，它所支持的数据类型

　　　　　　accept-charset:浏览器通过这个头告诉服务器，它所支持哪种字符集

　　　　　　accept-encoding：浏览器通过这个头告诉服务器，支持的压缩格式
　　　　　　accept-language：浏览器通过这个头告诉服务器，它的语言环境
　　　　　　host：浏览器通过这个头告诉服务器，想访问哪台主机

　　　　　　user-agent：请求载体的身份标识

 　　　　　   connection：浏览器通过这个头告诉服务器，请求完后是断开链接还是何持链接

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

 　　4.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：

　　　

 

 　　　　

　　状态码：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： 

　　　　1xx 消息，一般是告诉客户端，请求已经收到了，正在处理，别急...

　　　　2xx 处理成功，一般表示：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，责任在客户端，如客户端的请求一个不存在的资源，客户端未被授权，禁止访问等。

　　　　5xx 处理发生错误，责任在服务端，如服务端抛出异常，路由出错，http版本不支持等。

　　　　响应头：响应的详情展示

　　　　　　　　常见的相应头信息：

　　　　　　　　　　　　location: 服务器通过这个头，来告诉浏览器跳到哪里
　　　　　　　　　　　　server：服务器通过这个头，告诉浏览器服务器的型号
　　　　　　　　　　　　content-encoding：服务器通过这个头，告诉浏览器，数据的压缩格式
　　　　　　　　　　　　content-length: 服务器通过这个头，告诉浏览器回送数据的长度
　　　　　　　　　　　　content-language: 服务器通过这个头，告诉浏览器语言环境
　　　　　　　　　　　　content-type：服务器通过这个头，告诉浏览器回送数据的类型
　　　　　　　　　　　　refresh：服务器通过这个头，告诉浏览器定时刷新
　　　　　　　　　　　　content-disposition: 服务器通过这个头，告诉浏览器以下载方式打数据
　　　　　　　　　　　　transfer-encoding：服务器通过这个头，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：根据客户端指定的请求信息，发送给客户端的指定数据

 二.https协议：

　　1. 概念：加密安全版的http协议。

　　　　　　

　　2. https采用的加密技术:

　　　　2.1 ssl加密技术（对称密钥加密）

　　　　　　ssl采用的加密技术叫做“共享密钥加密”，也叫作“对称密钥加密”，这种加密方法是这样的，比如客户端向服务器发送一条信息，首先客户端会采用已知的算法对信息进行加密，比如md5或者base64加密，接收端对加密的信息进行解密的时候需要用到密钥，中间会传递密钥，（加密和解密的密钥是同一个），密钥在传输中间是被加密的。这种方式看起来安全，但是仍有潜在的危险，一旦被窃听，或者信息被挟持，就有可能破解密钥，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：

　　　　　　　　　　　　

　　　　　　

 　　　　2.2 非对称密钥加密技术

　　　　　　　　“非对称加密”使用的时候有两把锁，一把叫做“私有密钥”，一把是“公开密钥”，使用非对象加密的加密方式的时候，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，客户端按照公开密钥加密以后，服务器接受到信息再通过自己的私有密钥进行解密，这样做的好处就是解密的钥匙根本就不会进行传输，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，它也很难进行解密，因为解密过程是对离散对数求值，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：

 

 　　　　　　　　

　　　　　　但是非对称秘钥加密技术也存在如下缺点：

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

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

 　　　　2.3 http证书机制

　　　　　　

　在上面我们讲了非对称加密的缺点，其中第一个就是公钥很可能存在被挟持的情况，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：

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

　　　　　　　　　　　　　　　　

 

 

   

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

 

 

备注：本文参考：