1. URL
URL是Uniform Resource Locator的缩写，意思是统一资源定位符，它是互联网上标准的资源地址，用于定位互联网上的资源，例如网页、图片、视频等等。在浏览器地址栏中输入URL，可以让浏览器找到并显示相应的网页。URL的基本格式如下：
scheme://[username:password@]hostname[:port][/path][;parameters][?query][#fragment]
其中中括号里面的内容为非必要部分
下面介绍各部分代表的含义及作用：
- scheme：协议。常用的协议有http、https、ftp等，另外scheme也常被称为protocol。
- username、password：用户名和密码。有些URL需要提供用户名和密码才能访问，这时候把用户名和密码放在hostname前面则可以直接访问。
- hostname：主机地址。可以为域名或者IP地址。
- port：端口。这是服务器设定的服务端口。如https://8.8.8.8:2345这个URL的端口为2345。有些URL没有端口信息，使用默认端口。http协议的默认端口为80，https协议的默认端口为443。
- path：路径。指的是网络资源在服务器中的指定位置。如https://baidu.com/favicon.ico中的path就是favicon.ico。
- parameters：参数。用来指定访问某个资源时的附加信息。
- query：查询。用于查询某种资源，若查询多个资源，则用&隔开。如https://baidu.com/s?wd=python&ie=utf-8,其中query部分为wd=python&ie=utf-8,这里指定了wd的值为python，ie的值为utf-8。
- fragment:片段。对资源描述的补充说明，可以理解为资源内部的书签。目前主要有两个应用，一是用作单页面路由，比如前端框架Vue，React都可以用它来做路由管理，二是用作HTML描点，可以用它控制一个页面打开时自动下滑滚到某个特定位置。
2、HTTP和HTTPS
在爬虫中，我们通常抓取的页面是基于http或https协议的。
HTTP全称为Hypertext Transfer Protocol，中文名为超文本传输协议。其作用是把超文本数据从网络传输到本地浏览器。
HTTPS全称是Hypertext Transfer Protocol Secure Socket Layer，是以安全为通道的http通道，可以理解为http的安全版。
（ps：HTTPS的安全基础是SSL，通过该协议传输的内容都是通过SSL加密的）
3、HTTP请求过程
在浏览器地址栏输入一个URL，按下回车之后便可以访问对应的网页内容。实际上，这个过程是浏览器先向所在网站的服务器发送一个请求，网站服务器收到请求后对其进行处理和解析，然后返回对应的响应，在传回浏览器。由于响应里包含页面源代码等内容，浏览器再对其进行解析，相应的网页便呈现出来了。
为直观说明上述过程，下面用Chrome浏览器开发者模式下的Network监听组件来做一下演示。Network监听组件可以在访问当前请求的网页时，显示产生的所有网络请求和响应。
打开Chrome浏览器，访问www.baidu.com（百度），鼠标右键选择“检查”菜单（或快捷键F12），打开浏览器开发者工具。
切换到Network面板
点击刷新
此时Network面板下出现了很多条目，每一个条目就代表一次发送请求和接收响应的过程。
我们首先观察第一个网络请求，即www.baidu.com,其中各列含义如下：
- Name：请求的名称。一般取URL的最后一部分内容座位请求名称。
- Status：响应状态码。通过状态码，我们可以判断我们发送的请求是否得到了正常的响应。（此处为200，表示正常，其他响应状态码后续介绍）
- Type：请求的文档类型。此处为document，代表我们请求的是一个HTML文档，内容是一些HTML代码。
- Initiator：请求源。用于标记请求是由哪个对象或进程发起的。
- Size：从服务器下载的文件或请求的资源的大小。（from cache表示资源是从缓存中取得的）
- Time：从发起请求到获得响应消耗的总时间。
- Waterfall：网络请求的可视化瀑布流。
点击请求名称，即可进入详情页面
- General部分：
Request URL：请求的URL。
Request Method：请求的方法。
Status Code：响应状态码。
Remote Address：远程服务器的地址和端口。
Referrer Policy：Referrer判别策略。
-
Response Headers表示响应头，响应头是响应的一部分。
-
Request Headers表示请求头**，服务器会根据请求头里的信息判断请求是否合法，进而做出相应的响应。
4、请求
请求由客户端发往服务器，分为四部分内容：请求方法（Request Method）、请求网址（Request URL）、请求头（Request Headers）、请求体（Request Body），下面一一进行介绍。
请求方法：
用于标识客户端请求服务端的方式，常见的请求方法有两种：GET和POST。当我们在浏览器输入URL并回车后，便发起了一个GRT请求，而POST请求大多数在我们提交表单时发起（比如我们填写账号密码点击登录时）。GET请求中的参数会包含在URL里面，数据可以在URL内看见，POST请求则是以表单传输，不会体现在URL中。
请求网址：
唯一确定客户端想请求的资源。
请求头：
用来说明服务器要使用的附加信息。请求头是请求的重要组成部分，再写爬虫程序时，通常要设定请求头。比较重要的信息有Cookie、Referer、User-Agent等。
| 附加信息 | 说明 |
|---|---|
| Accept | 指定客户端可以接收哪些类型的信息 |
| Accept-Encoding | 指定客户端可接受的内容编码 |
| Accept-Language | 指定客户端可接受的语言类型 |
| Cookie | 网站为辨别用户，进行会话跟踪而存储在用户本地的数据。其主要功能是维持当前会话。例如，用户输入用户名和密码成功登录某个网站后，服务器会用会话保存登录状态，之后每次刷新或请求该站点的其他页面，都会发现处于登陆状态，这就也是Cookie的作用。Cookie里有信息标识了我们所对应的服务器的会话，每次浏览器在请求该站点的页面时，都会将请求头中加上Cookie并发送给服务器，服务器通过Cookie进行识别是我们自己，并且查询出当前状态是登录状态，所以返回的结果是登录之后的网页内容。 |
| Host | 指定了客户端正在连接的服务器的主机名和端口号。通常，Host头部字段的内容是网站的域名或IP地址。 |
| Referer | 标识请求是从哪个页面发过来的，服务器可拿到这一信息并做相应的处理，如做来源统计，防盗链处理等。 |
| User-Agent | 简称UA，可以使服务器识别客户端使用的操作系统及版本、浏览器及版本等信息。爬虫时加上此信息可以伪装成浏览器，如果不加则很容易被识别出来。 |
| Content-Type | 也叫互联网媒体类型（Internet Media Type）或MIME类型，用来表示具体请求中的媒体类型信息，如text/html代表HTML格式、image/gif代表GIF图片、application/json代表JSON类型。 |
请求体：
请求体一般承载的内容是POST请求中的表单数据，多余GET请求，请求体为空。
下表为Content-Type和POST提交数据方式的关系：
| Content-Type | POST提交数据的方式 |
|---|---|
| application/x-www-form-urlencoded | 表单数据 |
| multipart/form-data | 表单文件上传 |
| application/json | 序列化JOSN数据 |
| text/xml | XML数据 |
爬虫程序中，构造POST请求需要使用正确的Content-Type，并了解设置各种请求库的各个参数时使用的都是那种Content-Type，否则可能导致POST提交后无法得到正常的响应。
5、响应
由服务器返回给客户端，可以分为三部分：响应状态码（Response Status Code）、响应头（Response Headers）、响应体（Response Body）。下面分别进行介绍。
响应状态码：
表示服务器的响应状态，下表为常见的错误状态吗即错误原因：
| 状态码 | 说明 | 详情 |
|---|---|---|
| 100 | 继续 | 请求者应当继续提出请求。服务器已接受部分请求，正在等待其余请求 |
| 101 | 切换协议 | 请求者已要求服务器切换协议，服务器已确认并准备切换 |
| 200 | 成功 | 服务器已成功处理请求 |
| 201 | 已创建 | 请求成功并且服务器已创建了新的资源 |
| 202 | 已接收 | 服务器已接收请求但尚未处理 |
| 203 | 非授权信息 | 服务器已成功处理了请求，但返回的信息可能来自另一个源 |
| 204 | 无内容 | 服务器成功处理了请求，但没返回任何内容 |
| 205 | 重置内容 | 服务器成功处理了请求，但内容被重置 |
| 206 | 部分内容 | 服务器成功处理了部分内容 |
| 300 | 多种选择 | 针对请求，服务器可执行多种操作 |
| 301 | 永久移动 | 请求的网页已永久移动到新位置，即永久重定向 |
| 302 | 暂时移动 | 请求的网页暂时跳转到其他页面，即暂时重定向 |
| 303 | 查看其他位置 | 如果原来的请求是POST，重定向目标文档应该通过GET提取 |
| 304 | 未修改 | 此次请求返回的网页未修改，继续使用上次的资源 |
| 305 | 使用代理 | 请求者应该使用代理访问该网页 |
| 307 | 临时重定向 | 临时从其他位置响应请求的资源 |
| 400 | 错误请求 | 服务器无法解析该请求 |
| 401 | 未授权 | 请求没有进行身份验证或验证未通过 |
| 403 | 禁止访问 | 服务器拒绝该请求 |
| 404 | 未找到 | 服务器找不到请求的网页 |
| 405 | 方法禁用 | 服务器禁用了请求中的指定方法 |
| 406 | 不接收 | 无法使用请求的内容响应请求的网页 |
| 407 | 需要代理授权 | 请求者需要使用代理授权 |
| 408 | 请求超时 | 服务器请求超时 |
| 409 | 冲突 | 服务器在完成请求时发生冲突 |
| 410 | 已删除 | 请求的资源已永久删除 |
| 411 | 需要有效长度 | 服务器不接收不含有效内容长度标头字段的请求 |
| 412 | 未满足前提条件 | 服务器未满足请求者在请求中设置的某一个前提条件 |
| 413 | 请求实体过大 | 请求实体过大，超出服务器的处理能力 |
| 414 | 请求的URI过长 | 请求的网址过长，服务器无法处理 |
| 415 | 不支持类型 | 请求格式不被请求页面支持 |
| 416 | 请求范围不符 | 页面无法提供请求的范围 |
| 417 | 未满足期望值 | 服务器未满足期望请求标头字段的请求 |
| 500 | 服务器内部错误 | 服务器内部遇到错误，无法完成请求 |
| 501 | 未实现 | 服务器不具备完成请求的能力 |
| 502 | 错误网关 | 服务器作为网关或代理，接收到上游服务器的无效响应 |
| 503 | 服务不可用 | 服务器目前无法使用 |
| 504 | 网关超时 | 服务器作为网关或代理，没有及时从上游服务器接收到请求 |
| 505 | HTTP版本不支持 | 服务器不支持请求中使用的HTTP协议版本 |
响应头：
包含了服务器对请求的应答信息。下表说明一些常用的响应头信息：
| 附加信息 | 说明 |
|---|---|
| Date | 标识响应产生的时间 |
| Last-Modidied | 指定资源的最后修改时间 |
| Content-Encoding | 指定响应内容的编码 |
| Server | 包含服务器的信息，包括名称、版本号等 |
| Content-Type | 文档类型，指定返回的数据是什么类型 |
| Set-Cookie | 设置Cookie。用于告诉浏览器需要将此内容放在Cookie中，下次请求将Cookie携带上 |
| Expires | 指定响应的过期时间，可以让代理服务器或浏览器将加载的内容更新到缓存中。当再次访问相同的内容时，就可以直接从缓存中加载，达到降低服务器负载、缩短加载时间的目的 |
响应体：
存储响应正文数据。我们做爬虫请求网页时，要解析的内容就是响应体。
我们可通过Response查看网页源代码，也就是响应体的内容。
我们在做爬虫时，主要通过响应体得到网页的源代码、JSON数据等，并从中提取我们需要的内容。