╰つ栺尖篴夢ゞ
╰つ栺尖篴夢ゞ

【网络通信与信息安全】之深入解析从输入一个URL到页面加载完成的过程

一、前言

  • 从输入一个 URL，然后按下回车到显示页面，中间发生了什么？这是一道经典的面试题，不光前端面试会问到，后端面试也会被问到。这道题没有一个标准的答案，它涉及很多的知识点，面试官会通过这道题了解你对哪一方面的知识比较擅长，然后继续追问看看你的掌握程度。当然本篇博客的分析也只是我的一些个人理解，从前端的角度出发，具体地分析从底层到高层、从硬件到软件的原理，以及在同一个层次讨论浏览器、操作系统、服务器是如何交互的。
  • 其实，这个问题可以拆解成两个过程：
    • 用户输入 URL，客户端（浏览器）拿到服务端的数据；
    • 浏览器获取到数据，呈现页面（也就是浏览器工作过程）。

二、输入网址到浏览器获得资源的过程

① 按下 URL 地址首字母

  • 以输入“google.com”的地址为例，当按下“g”键，浏览器接收到消息之后，会触发自动完成机制：
    • 浏览器根据自己的算法，以及是否处于隐私浏览模式，会在浏览器的地址框下方给出输入建议，大部分算法会优先考虑根据你的搜索历史和书签等内容给出建议。
    • 你打算输入 “google.com”，因此给出的建议并不匹配，但是输入过程中仍然有大量的代码在后台运行，每一次按键都会使得给出的建议更加准确；
    • 甚至有可能在你输入之前，浏览器就将 “google.com” 建议给你。

② 按下回车键

  • 为了从零开始，我们选择键盘上的回车键被按到最低处作为起点，在这个时刻，一个专用于回车键的电流回路被直接地或者通过电容器间接地闭合，使得少量的电流进入键盘的逻辑电路系统，这个系统会扫描每个键的状态，对于按键开关的电位弹跳变化进行噪音消除(debounce)，并将其转化为键盘码值。
  • 在这里，回车的码值是13，键盘控制器在得到码值之后，将其编码，用于之后的传输。现在这个传输过程几乎都是通过通用串行总线（USB）或者蓝牙（Bluetooth）来进行的，以前是通过 PS/2 或者 ADB 连接进行。
  • USB 键盘：
    • 键盘的 USB 元件通过计算机上的 USB 接口与 USB 控制器相连接，USB 接口中的第一号针为它提供了 5V 的电压；
    • 键码值存储在键盘内部电路的寄存器 endpoint 内；
    • USB 控制器大概每隔 10ms 便查询一次 endpoint 以得到存储的键码值数据，这个最短时间间隔由键盘提供
      键值码值通过 USB 串行接口引擎被转换成一个或者多个遵循低层 USB 协议的 USB 数据包；
    • 这些数据包通过 D+ 针或者 D- 针(中间的两个针)，以最高 1.5Mb/s 的速度从键盘传输至计算机，速度限制是因为人机交互设备总是被声明成"低速设备"（USB 2.0 compliance）；
    • 这个串行信号在计算机的 USB 控制器处被解码，然后被人机交互设备通用键盘驱动进行进一步解释，之后按键的码值被传输到操作系统的硬件抽象层。
  • 虚拟键盘（触屏设备）：
    • 在现代电容屏上，当用户把手指放在屏幕上时，一小部分电流从传导层的静电域经过手指传导，形成了一个回路，使得屏幕上触控的那一点电压下降，屏幕控制器产生一个中断，报告这次“点击”的坐标；
    • 然后移动操作系统通知当前活跃的应用，有一个点击事件发生在它的某个 GUI 部件上了，现在这个部件是虚拟键盘的按钮；
    • 虚拟键盘引发一个软中断，返回给 OS 一个“按键按下”消息；
    • 这个消息又返回来向当前活跃的应用通知一个“按键按下”事件。
  • 键盘在它的中断请求线(IRQ)上发送信号，信号会被中断控制器映射到一个中断向量，实际上就是一个整型数。CPU 使用中断描述符表(IDT)把中断向量映射到对应函数，这些函数被称为中断处理器，它们由操作系统内核提供。当一个中断到达时，CPU 根据 IDT 和中断向量索引到对应的中断处理器，然后操作系统内核出场。

③ 一个 WM_KEYDOWN 消息被发往应用程序（Windows）

  • HID 把键盘按下的事件传送给 KBDHID.sys 驱动，把 HID 的信号转换成一个扫描码（Scancode），这里回车的扫描码是 VK_RETURN(0x0d)。 KBDHID.sys 驱动和 KBDCLASS.sys (键盘类驱动 keyboard class driver)进行交互，这个驱动负责安全地处理所有键盘和小键盘的输入事件。之后它又去调用 Win32K.sys，在这之前有可能把消息传递给安装的第三方键盘过滤器，这些都是发生在内核模式。
  • Win32K.sys 通过 GetForegroundWindow() API 函数找到当前哪个窗口是活跃的，这个 API 函数提供当前浏览器的地址栏的句柄。Windows 系统的"message pump"机制调用 SendMessage(hWnd, WM_KEYDOWN, VK_RETURN, lParam) 函数， lParam 是一个用来指示这个按键的更多信息的掩码，这些信息包括按键重复次数（这里是0），实际扫描码（可能依赖于 OEM 厂商，不过通常不会是 VK_RETURN ），功能键（alt, shift, ctrl）是否被按下（在这里没有），以及一些其他状态。
  • Windows 的 SendMessage API 直接将消息添加到特定窗口句柄 hWnd 的消息队列中，之后赋给 hWnd 的主要消息处理函数 WindowProc 将会被调用，用于处理队列中的消息。
  • 当前活跃的句柄 hWnd 实际上是一个 edit control 控件，这种情况下，WindowProc 有一个用于处理 WM_KEYDOWN 消息的处理器，这段代码会查看 SendMessage 传入的第三个参数 wParam，因为这个参数是 VK_RETURN，于是它知道用户按下了回车键。

④ 一个 KeyDown NSEvent 被发往应用程序（Mac OS X）

  • 中断信号引发了 I/O Kit Kext 键盘驱动的中断处理事件，驱动把信号翻译成键码值，然后传给 OS X 的 WindowServer 进程。
  • 然后， WindowServer 将这个事件通过 Mach 端口分发给合适的（活跃的，或者正在监听的）应用程序，这个信号会被放到应用程序的消息队列里。
  • 队列中的消息可以被拥有足够高权限的线程使用 mach_ipc_dispatch 函数读取到，这个过程通常是由 NSApplication 主事件循环产生并且处理的，通过 NSEventType 为 KeyDown 的 NSEvent 。

⑤ Xorg 服务器监听键码值（GNU/Linux）

  • 当使用图形化的 X Server 时，X Server 会按照特定的规则把键码值再一次映射，映射成扫描码。
  • 当这个映射过程完成之后， X Server 把这个按键字符发送给窗口管理器(DWM、metacity、i3 等)，窗口管理器再把字符发送给当前窗口。
  • 当前窗口使用有关图形 API 把文字打印在输入框内。

⑥ 解析 URL

  • 浏览器通过 URL 能够知道下面的信息：
Protocol "http"
使用HTTP协议
Resource "/"
请求的资源是主页(index)
  • 那么输入的是 URL 还是搜索的关键字？当协议或主机名不合法时，浏览器会将地址栏中输入的文字传给默认的搜索引擎。大部分情况下，在把文字传递给搜索引擎的时候，URL 会带有特定的一串字符，用来告诉搜索引擎这次搜索来自这个特定浏览器。
  • 转换非 ASCII 的 Unicode 字符：
    • 浏览器检查输入是否含有不是 a-z， A-Z，0-9， - 或者 . 的字符；
    • 这里主机名是 google.com ，所以没有非 ASCII 的字符；如果有的话，浏览器会对主机名部分使用 Punycode 编码。

⑦ 检查 HSTS 列表

  • 浏览器检查自带的“预加载 HSTS（HTTP 严格传输安全）”列表，这个列表里包含那些请求浏览器只使用 HTTPS 进行连接的网站。
  • 如果网站在这个列表里，浏览器会使用 HTTPS 而不是 HTTP 协议，否则，最初的请求会使用 HTTP 协议发送。
  • 注意，一个网站哪怕不在 HSTS 列表里，也可以要求浏览器对自己使用 HSTS 政策进行访问。浏览器向网站发出第一个 HTTP 请求之后，网站会返回浏览器一个响应，请求浏览器只使用 HTTPS 发送请求。然而，就是这第一个 HTTP 请求，却可能会使用户受到 添downgrade attack 的威胁，这也是为什么现代浏览器都预置了 HSTS 列表。

⑧ DNS 查询

  • 浏览器检查域名是否在缓存当中（要查看 Chrome 当中的缓存， 打开 chrome://net-internals/#dns）。
  • 如果缓存中没有，就去调用 gethostbyname 库函数（操作系统不同函数也不同）进行查询。
  • gethostbyname 函数在试图进行DNS解析之前首先检查域名是否在本地 Hosts 里，Hosts 的位置 不同的操作系统有所不同。
  • 如果 gethostbyname 没有这个域名的缓存记录，也没有在 hosts 里找到，它将会向 DNS 服务器发送一条 DNS 查询请求，DNS 服务器是由网络通信栈提供的，通常是本地路由器或者 ISP 的缓存 DNS 服务器。
  • 查询本地 DNS 服务器：
    • 如果 DNS 服务器和我们的主机在同一个子网内，系统会按照下面的 ARP 过程对 DNS 服务器进行 ARP查询；
    • 如果 DNS 服务器和我们的主机在不同的子网，系统会按照下面的 ARP 过程对默认网关进行查询。

⑨ ARP 过程

  • 要想发送 ARP（地址解析协议）广播，需要有一个目标 IP 地址，同时还需要知道用于发送 ARP 广播的接口的 MAC 地址：
    • 首先查询 ARP 缓存，如果缓存命中，返回结果：目标 IP = MAC；
    • 如果缓存没有命中：
      • 查看路由表，看看目标 IP 地址是不是在本地路由表中的某个子网内，如果是，使用跟那个子网相连的接口，否则使用与默认网关相连的接口；
      • 查询选择的网络接口的 MAC 地址；
      • 发送一个二层（ OSI 模型中的数据链路层）ARP 请求：
Sender MAC: interface:mac:address:here
Sender IP: interface.ip.goes.here
Target MAC: FF:FF:FF:FF:FF:FF (Broadcast)
Target IP: target.ip.goes.here
  • 根据连接主机和路由器的硬件类型不同，可以分为以下几种情况：
    • 直连：如果和路由器是直接连接的，路由器会返回一个 ARP Reply：
Sender MAC: target:mac:address:here
Sender IP: target.ip.goes.here
Target MAC: interface:mac:address:here
Target IP: interface.ip.goes.here
    • 集线器：如果连接到一个集线器，集线器会把 ARP 请求向所有其它端口广播，如果路由器也“连接”在其中，它会返回一个 ARP Reply 。
    • 交换机：
      • 如果连接到了一个交换机，交换机会检查本地 CAM/MAC 表，查看哪个端口有要找的那个 MAC 地址，如果没有找到，交换机会向所有其它端口广播这个 ARP 请求。
      • 如果交换机的 MAC/CAM 表中有对应的条目，交换机会向想要查询的 MAC 地址的那个端口发送 ARP 请求；
      • 如果路由器也“连接”在其中，它会返回一个 ARP Reply。
  • 有 DNS 服务器或者默认网关的 IP 地址，就可以继续 DNS 请求：
    • 使用 53 端口向 DNS 服务器发送 UDP 请求包，如果响应包太大，会使用 TCP 协议；
    • 如果本地/ISP DNS 服务器没有找到结果，它会发送一个递归查询请求，一层一层向高层 DNS 服务器做查询，直到查询到起始授权机构，如果找到会把结果返回。

⑩ 使用套接字

  • 当浏览器得到目标服务器的 IP 地址，以及 URL 中给出来端口号（http 协议默认端口号是 80， https 默认端口号是 443），它会调用系统库函数 socket ，请求一个 TCP流套接字，对应的参数是 AF_INET/AF_INET6 和 SOCK_STREAM 。
  • 该请求首先被交给传输层，在传输层请求被封装成 TCP segment，目标端口会被加入头部，源端口会在系统内核的动态端口范围内选取（Linux 下是 ip_local_port_range)。
  • TCP segment 被送往网络层，网络层会在其中再加入一个 IP 头部，里面包含目标服务器的IP地址以及本机的 IP 地址，把它封装成一个 IP packet。
  • TCP packet 接下来会进入链路层，链路层会在封包中加入 frame 头部，里面包含本地内置网卡的 MAC 地址以及网关（本地路由器）的 MAC 地址。像前面说的一样，如果内核不知道网关的 MAC 地址，它必须进行 ARP 广播来查询其地址。
  • 到现在，TCP 封包已经准备好，可以使用下面的方式进行传输：
    • 以太网
    • WiFi
    • 蜂窝数据网络
  • 对于大部分家庭网络和小型企业网络来说，封包会从本地计算机出发，经过本地网络，再通过调制解调器把数字信号转换成模拟信号，使其适于在电话线路，有线电视光缆和无线电话线路上传输。在传输线路的另一端，是另外一个调制解调器，它把模拟信号转换回数字信号，交由下一个网络节点处理。
  • 最终封包会到达管理本地子网的路由器。在那里出发，它会继续经过自治区域(autonomous system, 缩写 AS)的边界路由器，其他自治区域，最终到达目标服务器。一路上经过的这些路由器会从IP数据报头部里提取出目标地址，并将封包正确地路由到下一个目的地。IP数据报头部 time to live (TTL) 域的值每经过一个路由器就减1，如果封包的TTL变为0，或者路由器由于网络拥堵等原因封包队列满了，那么这个包会被路由器丢弃。
  • 上面的发送和接受过程在 TCP 连接期间会发生很多次：
    • 客户端选择一个初始序列号（ISN），将设置 SYN 位的封包发送给服务器端，表明自己要建立连接并设置了初始序列号；
    • 服务器端接收到 SYN 包，如果它可以建立连接：
      • 服务器端选择它自己的初始序列号；
      • 服务器端设置 SYN 位，表明自己选择一个初始序列号；
      • 服务器端把 (客户端ISN + 1) 复制到 ACK 域，并且设置 ACK 位，表明自己接收到客户端的第一个封包。
    • 客户端通过发送下面一个封包来确认这次连接：
      • 自己的序列号 +1；
      • 接收端 ACK+1
      • 设置 ACK 位；
    • 数据通过下面的方式传输：
      • 当一方发送了 N 个 Bytes 的数据之后，将自己的 SEQ 序列号也增加 N；
      • 另一方确认接收到这个数据包（或者一系列数据包）之后，它发送一个 ACK 包，ACK 的值设置为接收到的数据包的最后一个序列号；
    • 关闭连接时：
      • 要关闭连接的一方发送一个 FIN 包；
      • 另一方确认这个 FIN 包，并且发送自己的 FIN 包；
      • 要关闭的一方使用 ACK 包来确认接收到了 FIN。

⑪ TLS 握手

  • 客户端发送一个 ClientHello 消息到服务器端，消息中同时包含它的 Transport Layer Security (TLS) 版本，可用的加密算法和压缩算法。
  • 服务器端向客户端返回一个 ServerHello 消息，消息中包含服务器端的TLS版本，服务器所选择的加密和压缩算法，以及数字证书认证机构（Certificate Authority，缩写 CA）签发的服务器公开证书，证书中包含了公钥。客户端会使用这个公钥加密接下来的握手过程，直到协商生成一个新的对称密钥。
  • 客户端根据自己的信任 CA 列表，验证服务器端的证书是否可信，如果认为可信，客户端会生成一串伪随机数，使用服务器的公钥加密它，这串随机数会被用于生成新的对称密钥。
  • 服务器端使用自己的私钥解密上面提到的随机数，然后使用这串随机数生成自己的对称主密钥。
  • 客户端发送一个 Finished 消息给服务器端，使用对称密钥加密这次通讯的一个散列值。
  • 服务器端生成自己的 hash 值，然后解密客户端发送来的信息，检查这两个值是否对应，如果对应，就向客户端发送一个 Finished 消息，也使用协商好的对称密钥加密。
  • 从现在开始，接下来整个 TLS 会话都使用对称秘钥进行加密，传输应用层（HTTP）内容。

⑫ HTTP 协议

  • 如果浏览器是 Google 出品的，它不会使用 HTTP 协议来获取页面信息，而是会与服务器端发送请求，商讨使用 SPDY 协议。
  • 如果浏览器使用 HTTP 协议而不支持 SPDY 协议，它会向服务器发送这样的一个请求：
GET / HTTP/1.1
Host: google.com
Connection: close
[其他头部]
  • “其它头部”包含一系列的由冒号分割开的键值对，它们的格式符合 HTTP 协议标准，它们之间由一个换行符分割开来（假设浏览器没有违反 HTTP 协议标准的 bug，同时假设浏览器使用 HTTP/1.1 协议，不然的话头部可能不包含 Host 字段，同时 GET 请求中的版本号会变成 HTTP/1.0 或者 HTTP/0.9）。
  • HTTP/1.1 定义“关闭连接”的选项 “close”，发送者使用这个选项指示这次连接在响应结束之后会断开。例如：
Connection:close
  • 不支持持久连接的 HTTP/1.1 应用必须在每条消息中都包含 “close” 选项。
  • 在发送完这些请求和头部之后，浏览器发送一个换行符，表示要发送的内容已经结束。
  • 服务器端返回一个响应码，指示这次请求的状态，响应的形式是这样的：
200 OK
[响应头部]
  • 然后是一个换行，接下来有效载荷(payload)，也就是 www.google.com 的HTML内容，服务器下面可能会关闭连接，如果客户端请求保持连接的话，服务器端会保持连接打开，以供之后的请求重用。
  • 如果浏览器发送的HTTP头部包含了足够多的信息（例如包含了 Etag 头部），以至于服务器可以判断出，浏览器缓存的文件版本自从上次获取之后没有再更改过，服务器可能会返回这样的响应:
304 Not Modified
[响应头部]
  • 这个响应没有有效载荷，浏览器会从自己的缓存中取出想要的内容。在解析完 HTML 之后，浏览器和客户端会重复上面的过程，直到HTML页面引入的所有资源（图片，CSS，favicon.ico等等）全部都获取完毕，区别只是头部的 GET / HTTP/1.1 会变成 GET /$(相对www.google.com的URL) HTTP/1.1 。
  • 如果 HTML 引入 www.google.com 域名之外的资源，浏览器会回到上面解析域名那一步，按照下面的步骤往下一步一步执行，请求中的 Host 头部会变成另外的域名。

⑬ HTTP 服务器请求处理

  • HTTPD(HTTP Daemon)在服务器端处理请求/响应，最常见的 HTTPD 有 Linux 上常用的 Apache 和 nginx，以及 Windows 上的 IIS。
  • HTTPD 接收请求，服务器把请求拆分为以下几个参数：
    • HTTP 请求方法(GET, POST, HEAD, PUT, DELETE, CONNECT, OPTIONS, 或者 TRACE)，直接在地址栏中输入 URL 这种情况下，使用的是 GET 方法；
    • 域名：google.com；
    • 请求路径/页面：/ (没有请求 google.com 下的指定的页面，因此 / 是默认的路径)。
  • 服务器验证其上已经配置 google.com 的虚拟主机。
  • 服务器验证 google.com 接受 GET 方法。
  • 服务器验证该用户可以使用 GET 方法(根据 IP 地址，身份信息等)。
  • 如果服务器安装了 URL 重写模块（例如 Apache 的 mod_rewrite 和 IIS 的 URL Rewrite），服务器会尝试匹配重写规则，如果匹配上的话，服务器会按照规则重写这个请求。
  • 服务器根据请求信息获取相应的响应内容，这种情况下由于访问路径是 “/”，会访问首页文件（可以重写这个规则，但是这个是最常用的）。
  • 服务器会使用指定的处理程序分析处理这个文件，假如 Google 使用 PHP，服务器会使用 PHP 解析 index 文件，并捕获输出，把 PHP 的输出结果返回给请求者。

⑭ 浏览器

  • 当服务器提供资源之后（HTML，CSS，JS，图片等），浏览器会执行下面的操作：
    • 解析：HTML，CSS，JS；
    • 渲染：构建 DOM 树 -> 渲染 -> 布局 -> 绘制。
  • 浏览器的功能是从服务器上取回想要的资源，然后展示在浏览器窗口当中，资源通常是 HTML 文件，也可能是 PDF、图片或者其他类型的内容，资源的位置通过用户提供的 URI(Uniform Resource Identifier) 来确定。
  • 浏览器解释和展示 HTML 文件的方法，这些标准由 Web 标准组织 W3C(World Wide Web Consortium) 维护。不同浏览器的用户界面大都十分接近，有很多共同的 UI 元素：
    • 一个地址栏
    • 后退和前进按钮
    • 书签选项
    • 刷新和停止按钮
    • 主页按钮
  • 组成浏览器的组件有：
    • 用户界面包含地址栏，前进后退按钮，书签菜单等，除了请求页面之外所有你看到的内容都是用户界面的一部分；
    • 浏览器引擎负责让 UI 和渲染引擎协调工作；
    • 渲染引擎渲染引擎负责展示请求内容，如果请求的内容是 HTML，渲染引擎会解析 HTML 和 CSS，然后将内容展示在屏幕上；
    • 网络组件负责网络调用，例如 HTTP 请求等，使用一个平台无关接口，下层是针对不同平台的具体实现；
    • UI 后端用于绘制基本 UI 组件，如下拉列表框和窗口；UI 后端暴露一个统一的平台无关的接口，下层使用操作系统的 UI 方法实现；
    • Javascript 引擎用于解析和执行 Javascript 代码；
    • 数据存储组件是一个持久层，浏览器可能需要在本地存储各种各样的数据，例如 Cookie 等；浏览器也需要支持诸如 localStorage，IndexedDB，WebSQL 和 FileSystem 之类的存储机制。

⑮ HTML 解析

  • 浏览器渲染引擎从网络层取得请求的文档，一般情况下文档会分成 8 KB 大小的分块传输。
  • HTML 解析器的主要工作是对 HTML 文档进行解析，生成解析树，解析树是以 DOM 元素以及属性为节点的树
  • DOM 是文档对象模型(Document Object Model)的缩写，它是 HTML 文档的对象表示，同时也是 HTML 元素面向外部(如 Javascript)的接口。
  • 树的根部是"Document"对象，整个 DOM 和 HTML 文档几乎是一对一的关系。
  • HTML 不能使用常见的自顶向下或自底向上方法来进行分析，主要原因有以下几点：
    • 语言本身的“宽容”特性；
    • HTML 本身可能是残缺的，对于常见的残缺，浏览器需要有传统的容错机制来支持它们；
    • 解析过程需要反复，对于其它语言来说，源码不会在解析过程中发生变化，但是对于 HTML 来说，动态代码，例如脚本元素中包含的 document.write() 方法会在源码中添加内容，也就是说，解析过程实际上会改变输入的内容。
  • 由于不能使用常用的解析技术，浏览器创造了专门用于解析 HTML 的解析器。解析算法主要包含了两个阶段：标记化（tokenization）和树的构建。
  • 解析结束之后：
    • 浏览器开始加载网页的外部资源（CSS，图像，Javascript 文件等）；
    • 此时浏览器把文档标记为可交互的（interactive），浏览器开始解析处于“推迟（deferred）”模式的脚本，也就是那些需要在文档解析完毕之后再执行的脚本，之后文档的状态会变为“完成（complete）”，浏览器会触发“加载（load）”事件。
    • 注意解析 HTML 网页时永远不会出现“无效语法（Invalid Syntax）”错误，浏览器会修复所有错误内容，然后继续解析。

⑯ CSS 解析

  • 根据 CSS词法和句法 分析 CSS 文件和