【HTTP】请求“报头”(Host、Content-Length/Content-Type、User-Agent(简称 UA))

简介: 【HTTP】请求“报头”(Host、Content-Length/Content-Type、User-Agent(简称 UA))

Host

表示服务器主机的地址和端口号

URL 里面不是已经有 Host 了吗,为什么还要写一次?

  • 这里的 HostURL 中的 IP 地址、端口什么的,绝大部分情况下是一样的,少数情况下可能不同
  • 当前我们经过某个代理进行转发。过程中,URL 中的 IP 指向的是代理服务器的 IPHost 中的 IP 指向的是最终目标的地址

Content-Length/Content-Type

这俩都和 body 密切相关,如果你这个数据包没有 body,也就不会有这两个字段

  • Content-Length 表示 body 中的数据长度
  • Content-Type 表示 body 中的数据格式

通过这个长度,来处理“粘包问题”。HTTP 底层也是基于 TCP。连续传输多个 HTTP 数据报,此时接收方这边的接收缓冲区里面就会积累多个包的数据,应用程序在读取这些数据的时候就需要明确包之间的边界

  • 如果是没有 body 的请求/响应,直接使用空行作为分隔符
  • 如果有 body,空行就不是结束标记了,从空行开始来读取 bodybody 要读多长就取决于 Content-Length。读完之后,这个包就结束了

body 里面可以传输很多种格式,程序员也可以自己约定任意的格式,但是有些格式是非常常见的:

请求中:

  1. application/json
  • body 就是 json
  1. application/x-www-form-urlencoded
  • 称为 form 表单
  • 通过 HTML 中的 form 标签构造出来的一种格式。这个格式的特点,认为是把 query string 放到 body 中了
  1. multipart/form-data
  • 上传文件时使用的
  • 第二种格式也是可以的

响应中:

  1. text / plain,纯文本
  2. text / html,html
  3. text / csss,css
  4. application / javascript,js
  5. application / json
  6. image / png
  7. image / jpg

[!quote] 抓的包是灰色的

  • 由于浏览器和服务器之间要进行多次网络交互,整体的过程是比较低效的
  • 为了提升效率,就会把一些固定不变的内容在浏览器本地的机器硬盘上进行缓存(css、图片、js 很少发生改变)
  • 保存到硬盘上之后,后续再请求,就可以直接从硬盘上读取数据,减少了网络交互的开销
  • 抓到硬盘上的数据,就是灰色的

使用 Ctrl+f,强制刷新,就可以不读取缓存,直接读取服务器数据

User-Agent(简称 UA)

  • 32 位系统支持的最大内存为 4GB
  • 这块部分主要就是操作系统的信息和浏览器的信息。描述了用户在使用什么样的设备在上网

上古时期,UA 是非常关键的部分,不同用户使用的上网的设备差异很大(当年计算机发展日新月异),在同一个时间段内,新的和旧的会同时存在

  1. 最老的浏览器,只能显示文本
  2. 之后能显示图片
  3. 能支持 js
  4. 支持 flash 等动画效果

如果你是一个程序员,你要写一个网站,你写的网站是否要使用新的特性呢?

  • 使用新特性,佬的设备就无法正常打开
  • 不使用新特性,你这个网站就打不过竞争对手
    我们就可以借助 UA 来解决上述问题。UA 里面记录了系统和浏览器的信息,服务器就可以针对此时的 UA 信息进行判定
  • 如果用户用的是很老的设备,返回的页面就不包含新的特性,确保这个页面能正常访问
  • 如果用户用的是新的设备,返回的页面就包含新特性,确保这个页面体验足够好

随着时间推移,浏览器现在都差不多了,UA 好像无用武之地了?

  • 其实仍然很有用
    现在的市面上上网的设备存在这两类:
PC 屏幕大 更宽
手机 屏幕小 更窄
对应的返回的页面布局就应该有差异。UA 里面包含了系统信息,就可以判定系统是 PC 的还是移动端的,此时就可以根据这个信息来返回不同的页面了

使用手机浏览器的时候,很多手机浏览器都有一个功能——“手动修改 UA”,手动把 UA 改成 PC 端的 UA,这样就能访问电脑端的网页了


响应式布局

给 PC 端维护一套代码,给移动端维护一套代码,搞两套代码有点麻烦,并且手机尺寸区别也很大,还有平板什么的。前端后来提出了解决上述问题的技术方案——“响应式布局

通过一套代码,适应不同尺寸的显示器。CSS3 提供了一套特性——“媒体查询”,可以感知到当前屏幕的尺寸,根据不同的尺寸,应用不同的样式

所以现在也有越来越多的网站,不再依赖 UA 来进行区分了

User-Agent 的故事: https://zhuanlan.zhihu.com/p/398807396


相关文章
|
19天前
|
JSON 监控 API
掌握使用 requests 库发送各种 HTTP 请求和处理 API 响应
本课程全面讲解了使用 Python 的 requests 库进行 API 请求与响应处理,内容涵盖环境搭建、GET 与 POST 请求、参数传递、错误处理、请求头设置及实战项目开发。通过实例教学,学员可掌握基础到高级技巧,并完成天气查询应用等实际项目,适合初学者快速上手网络编程与 API 调用。
303 130
|
1月前
HTTP协议中请求方式GET 与 POST 什么区别 ?
GET和POST的主要区别在于参数传递方式、安全性和应用场景。GET通过URL传递参数,长度受限且安全性较低,适合获取数据;而POST通过请求体传递参数,安全性更高,适合提交数据。
343 2
|
1月前
|
JSON JavaScript API
Python模拟HTTP请求实现APP自动签到
Python模拟HTTP请求实现APP自动签到
|
1月前
|
数据采集 JSON Go
Go语言实战案例:实现HTTP客户端请求并解析响应
本文是 Go 网络与并发实战系列的第 2 篇,详细介绍如何使用 Go 构建 HTTP 客户端,涵盖请求发送、响应解析、错误处理、Header 与 Body 提取等流程,并通过实战代码演示如何并发请求多个 URL,适合希望掌握 Go 网络编程基础的开发者。
|
10月前
|
存储 人工智能 自然语言处理
AI经营|多Agent择优生成商品标题
商品标题中关键词的好坏是商品能否被主搜检索到的关键因素,使用大模型自动优化标题成为【AI经营】中的核心能力之一,本文讲述大模型如何帮助商家优化商品素材,提升商品竞争力。
1146 62
AI经营|多Agent择优生成商品标题
|
9月前
|
机器学习/深度学习 人工智能 自然语言处理
Gemini 2.0:谷歌推出的原生多模态输入输出 + Agent 为核心的 AI 模型
谷歌最新推出的Gemini 2.0是一款原生多模态输入输出的AI模型,以Agent技术为核心,支持多种数据类型的输入与输出,具备强大的性能和多语言音频输出能力。本文将详细介绍Gemini 2.0的主要功能、技术原理及其在多个领域的应用场景。
958 20
Gemini 2.0:谷歌推出的原生多模态输入输出 + Agent 为核心的 AI 模型
|
9月前
|
人工智能 自然语言处理 前端开发
Director:构建视频智能体的 AI 框架,用自然语言执行搜索、编辑、合成和生成等复杂视频任务
Director 是一个构建视频智能体的 AI 框架,用户可以通过自然语言命令执行复杂的视频任务,如搜索、编辑、合成和生成视频内容。该框架基于 VideoDB 的“视频即数据”基础设施,集成了多个预构建的视频代理和 AI API,支持高度定制化,适用于开发者和创作者。
432 9
Director:构建视频智能体的 AI 框架,用自然语言执行搜索、编辑、合成和生成等复杂视频任务
|
9月前
|
机器学习/深度学习 人工智能 算法
Meta Motivo:Meta 推出能够控制数字智能体动作的 AI 模型,提升元宇宙互动体验的真实性
Meta Motivo 是 Meta 公司推出的 AI 模型,旨在控制数字智能体的全身动作,提升元宇宙体验的真实性。该模型通过无监督强化学习算法,能够实现零样本学习、行为模仿与生成、多任务泛化等功能,适用于机器人控制、虚拟助手、游戏角色动画等多个应用场景。
263 4
Meta Motivo:Meta 推出能够控制数字智能体动作的 AI 模型,提升元宇宙互动体验的真实性
|
9月前
|
人工智能 自然语言处理 JavaScript
Agent-E:基于 AutoGen 代理框架构建的 AI 浏览器自动化系统
Agent-E 是一个基于 AutoGen 代理框架构建的智能自动化系统,专注于浏览器内的自动化操作。它能够执行多种复杂任务,如填写表单、搜索和排序电商产品、定位网页内容等,从而提高在线效率,减少重复劳动。本文将详细介绍 Agent-E 的功能、技术原理以及如何运行该系统。
680 5
Agent-E:基于 AutoGen 代理框架构建的 AI 浏览器自动化系统
|
9月前
|
人工智能 自然语言处理 数据挖掘
田渊栋团队新作祭出Agent-as-a-Judge!AI智能体自我审判,成本暴跌97%
田渊栋团队提出Agent-as-a-Judge框架,利用智能体自身评估其他智能体的性能,不仅关注最终结果,还能提供中间反馈,更全面准确地反映智能体的真实能力。该框架在DevAI基准测试中表现出色,成本效益显著,为智能体的自我改进提供了有力支持。
263 7