【Python爬虫】第二课 网络编程基础

2.1 认识Python网络编程

套接字（socket）

网络上的两个程序通过一个双向的通信连接实现数据的交换，这个连接的一端称为一个socket。

套接字是socket的通常叫法，用于描述IP地址和端口，是一个通信链的句柄，可以用来实现不同虚拟机或不同计算机之间的通信。

Python中Socket库为操作系统的socket实现提供了一个Python接口。

1. socket协议类型

socket库中整合了多种协议类型。

2. socket函数

服务器端Socket函数：socket库中的服务器端函数仅供服务器使用。

客户端Socket函数：socket库中的客户端函数仅供客户端使用。

公共Socket函数：socket库中的公共函数即可在服务器端使用也可在客户端使用，为通用函数。

使用Socket进行TCP编程

TCP连接由客户端发起，服务器对连接进行响应。

建立一个服务器，服务器进程需要绑定一个端口并监听来自其他客户端的连接。

若有客户端发起连接请求，服务器就与该客户端建立Socket连接，随后的通信就通过此Socket连接进行。

服务器依赖服务器地址，服务器端口，客户端地址，客户端端口这4项来唯一确定一个Socket连接。

1. 服务器端TCP连接

建立服务器端的TCP连接，具体步骤如下。

在Python中创建一个基于IPv4和TCP协议的Socket.

IntentPY1.py

# scoket的认识和学习
import socket
import threading
import time
# 建立tcp连接
s=socket.socket(socket.AF_INET,socket.SOCK_STREAM)

绑定监听的地址和端口，地址使用本机地址“127.0.0.1”或“local host”，使用大于1024的端口。

# 绑定地址及监听端口
s.bind("127.0.0.1",6666)

调用listen方法开始监听端口，传入的参数指定等待连接的最大数量，设定为5。

# 添加监听器，设置最大允许连接的数量
s.listen(5)
# 打印等待客户端连接
print("Wait for connection……")

创建一个tcp函数，该函数在连接建立后，服务器端首先发出一条表示连接成功的消息，然后等待客户端数据，再加上欢迎信息发送给客户端。若客户端发送exit字符串，则直接关闭连接。

# 创建服务器端应答函数
def tcp(sock,addr):
    print("Accept new connection from %s:%s……"%addr)
    sock.send(b"Success!")
    while True:
        data=sock.recv(1024)
        time.sleep(1)
        if not data or data.decode("UTF-8") == "exit":
            break
        sock.send(("Welcome! %s"%data.decode("UTF-8")).encode("UTF-8"))
    sock.close()
    print("Connection from %s:%s closed."%addr)

通过一个循环接受来自客户端的连接，使用accept函数等待并返回一个客户端的连接，每个连接都分配一个新线程来处理。

# 循环处理客户端连接
while True:
    # 接受来自客户端的新连接:
    sock, addr = s.accept()
    # 创建新线程来处理TCP连接:
    t = threading.Thread(target=tcp,args = (sock, addr))
    t.start()

2. 客户端TCP连接

在服务器端TCP连接建立后，建立客户端TCP连接进行测试，具体步骤如下。

与服务器端的协议保持一致，也建立一个基于IPv4和TCP协议的Socket。

与服务器端建立连接，连接的地址与端口需与服务器端保持一致。

使用recv函数接受服务器提示信息，之后再使用send函数发送数据至服务器，可看到服务器返回的结果。

IntentPY2.py

# 导入socket库
import socket
# 建立TCP连接
s = socket.socket(socket.AF_INET, socket.SOCK_STREAM)
# 与服务器建立连接
s.connect(('127.0.0.1', 6666))
# 接受服务器的连接成功提示信息
print(s.recv(1024).decode('utf-8'))
# 发送数据并接受服务器返回结果
for data in [b'Tom', b'Jerry', b'Spike']:
   s.send(data)
   print(s.recv(1024).decode('utf-8'))
# 发送退出信息断开连接
s.send(b'exit')
s.close()

 

使用Socket进行UDP编程

TCP建立的连接可靠，通信双方以流的形式互相传送数据。相对TCP协议，UDP则是面向无连接的协议。

使用UDP协议时，无需建立连接的过程，仅需知道对方的IP地址及端口号，便可直接发送数据包，但无法保证能顺利传达到。

虽然用UDP传输数据不可靠，但其传输速度比TCP快，对于不要求可靠到达的数据，就可以使用UDP协议。

UDP传输通常应用在通讯实时性要求更高于可靠性场景，例如网络游戏。

 

1. 服务器端UDP连接

UDP连接与TCP连接类似，也分为服务器端和客户端，不同的是UDP连接无需调用listen方法，直接接受来自任何客户端的数据。

建立UDP连接，服务器端同样需要绑定地址与端口。

使用recvfrom方法返回数据及客户端的地址与端口。

当服务器收到数据后，直接调用sendto把数据用UDP发给客户端。

IntentPy3.py

# 导入socket库
import socket
# 建立UDP连接
s = socket.socket(socket.AF_INET, socket.SOCK_DGRAM)
# 绑定地址与端口
s.bind(('127.0.0.1', 6666))
print('set UDP on 6666...')
while True:
   # 接收来自任意客户端的数据:
   data, addr = s.recvfrom(1024)
   # 打印接受信息并回传欢迎信息
   print('Received from %s:%s.' % addr)
   s.sendto(b'Welcom! %s!' % data, addr)

2. 客户端UDP连接

客户端使用UDP连接时同样需要先创建socket。

之后无需使用connect方法，直接用sendto方法发送数据至服务器建立UDP连接，服务器端同样需要绑定地址与端口。

UDP连接与TCP连接可同时使用同一端口互不冲突，两者使用的端口是独立绑定的。

IntentPy4.py

# 导入socket库
import socket
# 建立UDP连接
s = socket.socket(socket.AF_INET, socket. SOCK_DGRAM)
 # 发送数据并接受服务器回传数据
for data in [b'Tom', b'Jerry', b'Spike']:
    s.sendto(data,("127.0.0.1",6666))
    print(s.recv(1024).decode('utf-8'))
s.close()

2.2 认识Http协议

HTTP请求方式与过程

爬虫在爬取数据时将会作为客户端模拟整个HTTP通信过程，该过程也需要通过HTTP协议实现。HTTP请求过程如下。

由HTTP客户端向服务器发起一个请求，创建一个到服务器指定端口（默认是80端口）的TCP连接。

HTTP服务器从该端口监听客户端的请求。

一旦收到请求，服务器会向客户端返回一个状态，比如“HTTP/1.1 200 OK”，以及返回的响应内容，如请求的文件、错误消息、或其它信息。

 

1. 请求方法

在HTTP/1.1协议中共定义了8种方法（也叫“动作”）来以不同方式操作指定的资源，常用方法有GET、HEAD、POST等。

2. 请求（request）与响应（response）

HTTP协议采用了请求／响应模型。

客户端向服务器发送一个请求报文，请求报文包含请求的方法、URL、协议版本、请求头部和请求数据。

服务器以一个状态行作为响应，响应的内容包括协议的版本、响应状态、服务器信息、响应头部和响应数据。

 

客户端与服务器间的请求与响应的具体步骤如下。

连接Web服务器：由一个HTTP客户端发起连接，与Web服务器的HTTP端口（默认为80）建立一个TCP套接字连接。

发送HTTP请求：客户端经TCP套接字向Web服务器发送一个文本的请求报文。

服务器接受请求并返回HTTP响应：Web服务器解析请求，定位该次的请求资源。之后将资源复本写至TCP套接字，由客户端进行读取。

释放连接TCP连接：若连接的connection模式为close，则由服务器主动关闭TCP连接，客户端将被动关闭连接，释放TCP连接；若connection模式为keepalive，则该连接会保持一段时间。

客户端解析HTML内容：客户端首先会对状态行进行解析，之后解析每一个响应头，最后读取响应数据。

常见HTTP状态码

1. HTTP状态码种类

HTTP状态码是用来表示网页服务器响应状态的3位数字代码，按首位数字分为5类状态码。

HTTP状态码共有67种状态码，常见的状态码如下。

HTTP头部信息（HTTP header fields）是指在超文本传输协议（HTTP）的请求和响应消息中的消息头部分。头部信息定义了一个超文本传输协议事务中的操作参数。在爬虫中需要使用头部信息向服务器发送模拟信息，通过发送模拟的头部信息将自己伪装成一般的客户端。

 

 

HTTP头部信息

1. HTTP头部类型

HTTP头部类型按用途可分为：通用头，请求头，响应头，实体头。

通用头：既适用于客户端的请求头，也适用于服务端的响应头。与HTTP消息体内最终传输的数据是无关的，只适用于要发送的消息。

请求头：提供更为精确的描述信息，其对象为所请求的资源或请求本身。新版HTTP增加的请求头不能在更低版本的HTTP中使用，但服务器和客户端若都能对相关头进行处理，则可以在请求中使用。

响应头：为响应消息提供了更多信息。例如，关于资源位置的描述Location字段，以及关于服务器本身的描述使用Server字段等。与请求头类似，新版增加的响应头也不能在更低版本的HTTP版本中使用。

实体头：提供了关于消息体的描述。如消息体的长度Content-Length，消息体的MIME类型Content-Type。新版的实体头可以在更低版本的HTTP版本中使用。

熟悉Cookie

HTTP是一种无状态的协议，客户端与服务器建立连接并传输数据，在数据传输完成后，本次的连接将会关闭，并不会留存相关记录。

服务器无法依据连接来跟踪会话，也无法从连接上知晓用户的历史操作。这严重阻碍了基于Web应用程序的交互，也影响用户的交互体验。

某些网站需要用户登录才进一步操作，用户在输入账号密码登录后，才能浏览页面。对于服务器而言，由于HTTP的无状态性，服务器并不知道用户有没有登录过，当用户退出当前页面访问其他页面时，又需重新再次输入账号及密码。

1. Cookie机制

为解决HTTP的无状态性带来的负面作用，Cookie机制应运而生。Cookie本质上是一段文本信息。

当客户端请求服务器时，若服务器需要记录用户状态，就在响应用户请求时发送一段Cookie信息。

客户端浏览器会保存该Cookie信息，当用户再次访问该网站时，浏览器会把Cookie做为请求信息的一部分提交给服务器。

服务器对Cookie进行验证，以此来判断用户状态，当且仅当该Cookie合法且未过期时，用户才可直接登录网站。

2. Cookie的存储方式

Cookie由用户客户端浏览器进行保存，按其存储位置可分为内存式存储和硬盘式存储。

内存式存储将Cookie保存在内存中，在浏览器关闭后就会消失，由于其存储时间较短，因此也被称为非持久Cookie或会话Cookie。

硬盘式存储将Cookie保存在硬盘中，其不会随浏览器的关闭而消失，除非用户手工清理或到了过期时间。由于硬盘式Cookie存储时间是长期的，因此也被称为持久Cookie。

 

3. Cookie的实现过程

客户端与服务器间的Cookie实现过程的具体步骤如下。

客户端请求服务器：客户端请求网站页面

服务器响应请求：Cookie是一种字符串，为key=value形式，服务器需要记录这个客户端请求的状态，在响应头中增加一个Set-Cookie字段。

客户端再次请求服务器：

客户端会对服务器响应的Set-Cookie头信息进行存储。

当再次请求时，将会在请求头中包含服务器响应的Cookie信息。

 

小结

本章介绍了Python中的底层Socket库，及运用socket库建立TCP和UDP连接。并对超文本传输协议（HTTP）及其相关机制进行了简要介绍。对本章做小结如下。

Socket库提供多种协议类型和函数，可用于建立TCP和UDP连接。

HTTP协议基于TCP协议进行客户端与服务器间的通讯，由客户端发起请求，服务器进行应答。

HTTP状态码由3位数字构成，按首位数字可分为5类状态码。

HTTP头部信息为HTTP协议的请求与响应消息中的消息头部分，其定义了该次传输事务中的操作参数。

Cookie机制可记录用户状态，

服务器可依据Cookie对用户状态进行记录与识别。