python - 为什么 Python 套接字在 HTTP 套接字的 recv 循环期间没有收到最终的空白值？

Question

我用 Python 3 编写了一个微型代理模块，它只是位于我的浏览器和网络之间。我的目标只是代理来回的流量。该程序的一种行为是将我获得的网站响应保存在本地目录中。

除了在循环中使用 socket.recv() 似乎永远不会产生隐含在examples provided in the docs .几乎每个在线示例都在讨论当服务器关闭套接字时通过套接字传来的空白字符串。

我的假设是通过 keep-alive header 正在发生某些事情，其中​​远程服务器从不关闭套接字，除非达到其自己的超时阈值。它是否正确？如果是这样，我究竟如何检测有效载荷何时发送完毕？由于 TCP 的运行方式，观察接收到的数据小于我声明的 block 大小根本不起作用。

为了演示，以下代码在 Google 网络服务器上的图像文件中打开一个套接字。我从浏览器自己的请求中复制了实际的请求字符串。运行代码(记住，Python 3!)显示二进制图像数据已完成接收，但代码永远无法命中 break 语句。只有当服务器关闭套接字时(在大约 3 分钟的空闲时间之后)，此代码才真正到达文件末尾的 print 命令。

究竟如何解决这个问题？我的目标是不修改浏览器请求的行为——我不想必须将 keep-alive header 设置为 false 或类似花哨的东西。答案是使用一些丑陋的超时(通过 socket.settimeout())吗？看起来很可笑，但我不知道还能做什么。

提前致谢。

import socket

remote_host = 'www.google.com'
remote_port = 80

remote_socket = socket.socket(socket.AF_INET, socket.SOCK_STREAM)
remote_socket.connect((remote_host, remote_port))
remote_socket.sendall(b'GET http://www.google.com/images/logos/ps_logo2a_cp.png HTTP/1.1\r\nHost: www.google.com\r\nCache-Control: max-age=0\r\nPragma: no-cache\r\nUser-Agent: Mozilla/5.0 (Macintosh; Intel Mac OS X 10_7_0) AppleWebKit/535.1 (KHTML, like Gecko) Chrome/14.0.794.0 Safari/535.1\r\nAccept: text/html,application/xhtml+xml,application/xml;q=0.9,*/*;q=0.8\r\nAccept-Encoding: gzip,deflate,sdch\r\nAccept-Language: en-US,en;q=0.8\r\nAccept-Charset: ISO-8859-1,utf-8;q=0.7,*;q=0.3\r\n\r\n')

content = b''
while True:
    msg = remote_socket.recv(1024)
    if not msg:
        break
    print(msg)
    content += msg

print("DONE: %d" % len(content))

Answer 1

如果你有一个保持事件的连接，那么在响应的头中会有一些消息长度的指示。参见 HTTP Message .缓冲 recv，直到您拥有完整的 header (以空行结束)，确定消息正文长度，并准确读取那么多信息。

这是一个简单的类，用于缓冲 TCP 读取，直到读取了消息终止符或特定数量的字节。我将它添加到您的示例中:

import socket
import re

class MessageError(Exception): pass

class MessageReader(object):
    def __init__(self,sock):
        self.sock = sock
        self.buffer = b''

    def get_until(self,what):
        while what not in self.buffer:
            if not self._fill():
                return b''
        offset = self.buffer.find(what) + len(what)
        data,self.buffer = self.buffer[:offset],self.buffer[offset:]
        return data

    def get_bytes(self,size):
        while len(self.buffer) < size:
            if not self._fill():
                return b''
        data,self.buffer = self.buffer[:size],self.buffer[size:]
        return data

    def _fill(self):
        data = self.sock.recv(1024)
        if not data:
            if self.buffer:
                raise MessageError('socket closed with incomplete message')
            return False
        self.buffer += data
        return True

remote_host = 'www.google.com'
remote_port = 80

remote_socket = socket.socket(socket.AF_INET, socket.SOCK_STREAM)
remote_socket.connect((remote_host, remote_port))
remote_socket.sendall(b'GET http://www.google.com/images/logos/ps_logo2a_cp.png HTTP/1.1\r\nHost: www.google.com\r\nCache-Control: max-age=0\r\nPragma: no-cache\r\nUser-Agent: Mozilla/5.0 (Macintosh; Intel Mac OS X 10_7_0) AppleWebKit/535.1 (KHTML, like Gecko) Chrome/14.0.794.0 Safari/535.1\r\nAccept: text/html,application/xhtml+xml,application/xml;q=0.9,*/*;q=0.8\r\nAccept-Encoding: gzip,deflate,sdch\r\nAccept-Language: en-US,en;q=0.8\r\nAccept-Charset: ISO-8859-1,utf-8;q=0.7,*;q=0.3\r\n\r\n')
mr = MessageReader(remote_socket)
header = mr.get_until(b'\r\n\r\n')
print(header.decode('ascii'))
m = re.search(b'Content-Length: (\d+)',header)
if m:
    length = int(m.group(1))
    data = mr.get_bytes(length)
    print(data)
remote_socket.close()

输出

HTTP/1.1 200 OK
Content-Type: image/png
Last-Modified: Thu, 12 Aug 2010 00:42:08 GMT
Date: Tue, 21 Jun 2011 05:03:35 GMT
Expires: Tue, 21 Jun 2011 05:03:35 GMT
Cache-Control: private, max-age=31536000
X-Content-Type-Options: nosniff
Server: sffe
Content-Length: 6148
X-XSS-Protection: 1; mode=block


b'\x89PNG\r\n\x1a\n\x00\x00\x00\rIHDR\x00\x00\x01l\x00\x00\x00~\x08\x03\x00\ (rest omitted)