前言

一个爬虫的成功与否,在于你是否拿到了想要的数据;一个请求的成功与否,在于响应的状态码,它标明了当前请求下这个响应的结果,是好还是坏。上节课程学习了HTTPS和HTTP协议的各自优势,本节课程进入到请求的响应部分,学习下如何根据响应状态码,判断当前响应是好还是坏。

  1. 状态码的重要意义

互联网是个超级复杂的超大型项目,没网络的情况下,我们的电脑访问不了网络;有网络的前提下,网站正常工作我们才能访问。单个的请求响应流程是非常简单的,如下图:

请求的响应----状态码分为五大类(爬虫)-LMLPHP

为了应对复杂多变的网络情况,http协议在设计之初就准备好了响应状态码,来标识本次请求响应的状态。

HTTP状态码(英语:HTTP Status Code)是用以表示网页服务器超文本传输协议响应状态的3位数字代码。它由 RFC 2616 规范定义的,并在后续的HTTP新版本的规范中扩展。所有状态码的第一个数字代表了响应的五种状态之一。

状态码分为五大类,分别是:

100系列:消息【除非在某些试验条件下,服务器禁止向此类客户端发送 1xx 响应】

200系列:成功

300系列:跳转

400系列:失败

500系列:错误

虽说是5类,但是100系列,是不允许使用的,所以常见的是4类。下面详细介绍一下这4类中,常见的状态码数值和所表达的意思。

  • 成功的200系列

200是浏览器的日常使用中最常见的,因为网站要正常工作,200是必须的,不然工程师要挨骂的。

200 OK:这个是最常见的,也是爬虫工程师最喜欢的,代表你本次的请求顺利拿到了响应,没有任何问题。

  1. 201 Created:201代表创建成功,通常是指浏览器或爬虫给服务器上传数据,服务器接收并验证数据没问题之后,服务器返回客户端一个201,代表成功。提交数据,通常是POST方法提交
  2. 202 Accepted:服务器拿到了数据,但是还没处理好结果,所以先发回一个202。这个状态码一般在爬虫中看不到,但是适合在异步操作的情况下返回。
  3. 跳转的300系列

通常为了更方便的操作,服务器会告诉客户端进一步的优化操作,例如张三搬家了,旧服务器给你新地址让你找新服务器等;

  1. 301 Moved Permanently:当前资源的网址永久性迁移,并且会给你一个新的网址。值得注意的是,如果是POST请求拿到301,则下一次请求自动变成GET。
  2. 302 Move Temporarily:当前资源网址暂时性迁移到新地址,和301性质有点不一样。
  3. 304 Not Modified:这个在浏览器加载静态资源的时候,特别容易碰到,就是浏览器使用本地缓存而不消耗带宽去加载在线的静态资源,是加速网页渲染的一种资源调用机制。是前端程序员嫌弃的一个状态码。
  • 失败的400系列

400系列代表着失败,是爬虫程序中非常常见的,没有之一。而且很多时候,一个错误需要调试挺长时间的。了解400系列中常见的错误,对调试非常有益。

  1. 400 Bad Request:错误请求,400系列最典型的,看到这个错误,要么是请求头参数不对,要么是请求主体的内容错误。
  2. 401 Unauthorized:401认证错误,这个还是非常好识别的,身份无法识别或者身份权限不够,检查请求头中的身份字段信息和Cookie值。
  3. 403 Forbidden:禁止访问,大并发爬虫中比较容易碰到,问题很直观,你访问太多了【换IP或电脑】,或者身份权限不够【换身份信息】。
  4. 404 Not Found:404找不到,这个错误不用太在意,用浏览器测试几次就好,要么是你的网址写错了,要么是网址对应的网络资源无法加载【这不怪程序】。
  5. 405 Method Not Allowed:405方法不被允许,简单且少见的错误,意思就是你请求的姿势不对,检查请求方法,如Get、Post、Put、Delete,总有一个是对的。
  • 错误的500系列

  1. 500 Internal Server Error:网络错误,就和你断网了一样,具体点就是你的网络和网址所在网络,无法连通。

  2. 502 Bad Gateway:网关错误,请求出去要被网关解析目的地址并转发你的请求,这个错误就是网关不工作了,无法把你的请求发出去。这里的网关,可以理解成你的路由器或者你用的代理IP服务器。
  3. 503 Service Unavailable:服务不可用,这个就是目标服务器的问题了,你要做的是通知网站管理员或者等。一般情况下,国家网站部分有休息时间,例如晚上关网。商业服务器的服务不可用,大多是升级或者临时卡了,可以过段时间再试。
  4. 504 Gateway Timeout:网关超时,这个504和502,都是网关的问题,但是又不一样。504是你找网关转发,你默认等待180秒【3分钟】,然后网关超时了没理你;502的问题是,你压根就找不到网关。
  5. 505 HTTP Version Not Supported:HTTP版本不支持,这个比较少见,但是肯定有。网站内容太新或者太旧,对客户端的http版本要求不一样。你需要检查下本次请求所使用的http版本,然后改成网站指定版本,就可以解决这个问题。

以上是常见的4类状态码的说明。

最后说明下,状态码是对当前本次的请求响应做的一个说明代码,是一种规范。

这个状态码数值,服务器那边可以规定返回的数值,服务端开发者可以完全照着规范来开发,也可以不遵循规范开发网站的响应状态码。

例如你用爬虫登录错误的账号,登录请求发出去,服务器给你响应,可能结果如下: 

        响应状态码是200,内容写的是账号密码不对;

        响应状态码是401,内容写的是账号密码不对;

        响应状态码是404,内容写的是账号密码不对;

以上的返回结果都是有可能的,因为规范不是所有开发者都会遵守。

 但是300和500系列,大部分都是遵循规范的,因为这两个系列,大部分结果不是服务器给响应状态码,是客户端【浏览器或爬虫】直接根据网络请求,返回的结果。最后一个示例图,不同系列的状态码通常出现在的请求响应阶段:

请求的响应----状态码分为五大类(爬虫)-LMLPHP

总结

状态码是HTTP协议的规范,即便电脑断了网,失败的响应都会有一个状态码。

了解了状态码,可以更理智的分析当前响应的状态,快速定位具体问题,以及修改爬虫代码。

当然状态码这仅仅是规范中的一项,下节课程还要学习请求头中的重点字段,这也是非常重要的信息。

一个爬虫的成功与否,在于你是否拿到了想要的数据;一个请求的成功与否,在于响应的状态码,它标明了当前请求下这个响应的结果,是好还是坏。上节课程学习了HTTPS和HTTP协议的各自优势,本节课程进入到请求的响应部分,学习下如何根据响应状态码,判断当前响应是好还是坏。 

10-14 22:35