既然有 HTTP 协议，为什么还要有 WebSocket？

平时我们打开网页，比如购物网站某宝。都是点一下「列表商品」，跳转一下网页就到了「商品详情」。

从 HTTP 协议的角度来看，就是点一下网页上的某个按钮， 前端发一次 HTTP请求，网站返回一次 HTTP 响应 。这种由客户端主动请求，服务器响应的方式也满足大部分网页的功能场景。

但有没有发现，这种情况下，服务器从来就「不会主动」给客户端发一次消息。就像你喜欢的女生从来不会主动找你一样。

但如果现在，你在刷网页的时候「右下角」突然弹出一个小广告，提示你【一个人在家偷偷才能玩哦】。

求知，好学，勤奋 ，这些刻在你 DNA 里的东西都动起来了。

你点开后发现。

长相平平无奇的古某提示你"道士 9 条狗，全服横着走"。

影帝某辉老师跟你说"系兄弟就来砍我"。

来都来了，你就选了个角色进到了游戏界面里。

这时候，上来就是一个小怪，从远处走来，然后疯狂拿木棒子抽你。

你全程没点任何一次鼠标 。服务器就自动将怪物的移动数据和攻击数据源源不断发给你了。

这….太暖心了。

感动之余，问题就来了，

像这种 看起来服务器主动发消息给客户端的场景 ，是怎么做到的？

在真正回答这个问题之前，我们先来聊下一些相关的知识背景。

# 使用 HTTP 不断轮询

其实问题的痛点在于， 怎么样才能在用户不做任何操作的情况下，网页能收到消息并发生变更。

最常见的解决方案是， 网页的前端代码里不断定时发 HTTP 请求到服务器，服务器收到请求后给客户端响应消息。

这其实时一种「伪」服务器推的形式。

它其实并不是服务器主动发消息到客户端，而是客户端自己不断偷偷请求服务器，只是用户无感知而已。

用这种方式的场景也有很多，最常见的就是 扫码登录 。

比如，某信公众号平台，登录页面二维码出现之后，前端网页根本不知道用户扫没扫，于是不断去向后端服务器询问，看有没有人扫过这个码。而且是以大概 1 到 2 秒的间隔去不断发出请求，这样可以保证用户在扫码后能在 1 到 2 秒内得到及时的反馈，不至于 等太久 。

使用HTTP定时轮询

但这样，会有两个比较明显的问题：

当你打开 F12 页面时，你会发现满屏的 HTTP 请求。虽然很小，但这其实也消耗带宽，同时也会增加下游服务器的负担。
最坏情况下，用户在扫码后，需要等个 1~2 秒，正好才触发下一次 HTTP 请求，然后才跳转页面，用户会感到 明显的卡顿 。

使用起来的体验就是，二维码出现后，手机扫一扫，然后在手机上点个确认，这时候 卡顿等个 1~2 秒 ，页面才跳转。

那么问题又来了， 有没有更好的解决方案？

有，而且实现起来成本还非常低。

# 长轮询

我们知道，HTTP 请求发出后，一般会给服务器留一定的时间做响应，比如 3 秒，规定时间内没返回，就认为是超时。

如果我们的 HTTP 请求 将超时设置的很大 ，比如 30 秒， 在这 30 秒内只要服务器收到了扫码请求，就立马返回给客户端网页。如果超时，那就立马发起下一次请求。

这样就减少了 HTTP 请求的个数，并且由于大部分情况下，用户都会在某个 30 秒的区间内做扫码操作，所以响应也是及时的。

比如，某度云网盘就是这么干的。所以你会发现一扫码，手机上点个确认，电脑端网页就 秒跳转 ，体验很好。

像这种发起一个请求，在较长时间内等待服务器响应的机制，就是所谓的 长训轮机制 。我们常用的消息队列 RocketMQ 中，消费者去取数据时，也用到了这种方式。

像这种，在用户不感知的情况下，服务器将数据推送给浏览器的技术，就是所谓的 服务器推送 技术，它还有个毫不沾边的英文名， comet 技术，大家听过就好。

上面提到的两种解决方案（不断轮询和长轮询），本质上，其实还是客户端主动去取数据。

对于像扫码登录这样的 简单场景 还能用用。但如果是网页游戏呢，游戏一般会有大量的数据需要从服务器主动推送到客户端。

这就得说下 WebSocket 了。

# WebSocket是什么

我们知道 TCP 连接的两端， 同一时间里 ，双方都可以主动向对方发送数据。这就是所谓的 全双工 。

而现在使用最广泛的HTTP/1.1，也是基于TCP协议的， 同一时间里 ，客户端和服务器 只能有一方主动 发数据，这就是所谓的 半双工 。

也就是说，好好的全双工 TCP，被 HTTP/1.1 用成了半双工。

为什么？

这是由于 HTTP 协议设计之初，考虑的是看看网页文本的场景，能做到 客户端发起请求再由服务器响应 ，就够了，根本就没考虑网页游戏这种，客户端和服务器之间都要互相主动发大量数据的场景。

所以，为了更好的支持这样的场景，我们需要另外一个 基于TCP的新协议 。

于是新的应用层协议 WebSocket 就被设计出来了。

大家别被这个名字给带偏了。虽然名字带了个socket，但其实 socket 和 WebSocket 之间，就跟雷峰和雷峰塔一样，二者接近毫无关系 。

# 怎么建立WebSocket连接

我们平时刷网页，一般都是在浏览器上刷的，一会刷刷图文，这时候用的是 HTTP 协议 ，一会打开网页游戏，这时候就得切换成我们新介绍的 WebSocket 协议 。

为了兼容这些使用场景。浏览器在 TCP 三次握手 建立连接之后，都 统一使用 HTTP 协议 先进行一次通信。

如果此时是 普通的 HTTP 请求 ，那后续双方就还是老样子继续用普通 HTTP 协议进行交互，这点没啥疑问。
如果这时候是 想建立 WebSocket 连接 ，就会在 HTTP 请求里带上一些 特殊的header 头 ，如下：

    Connection: Upgrade
    Upgrade: WebSocket
    Sec-WebSocket-Key: T2a6wZlAwhgQNqruZ2YUyg==\r\n

这些 header 头的意思是，浏览器想 升级协议（Connection: Upgrade） ，并且 想升级成 WebSocket 协议（Upgrade: WebSocket） 。同时带上一段 随机生成的 base64 码（Sec-WebSocket-Key） ，发给服务器。

如果服务器正好支持升级成 WebSocket 协议。就会走 WebSocket 握手流程，同时根据客户端生成的 base64 码，用某个 公开的 算法变成另一段字符串，放在 HTTP 响应的 Sec-WebSocket-Accept 头里，同时带上101状态码，发回给浏览器。HTTP 的响应如下：

    HTTP/1.1 101 Switching Protocols\r\n
    Sec-WebSocket-Accept: iBJKv/ALIW2DobfoA4dmr3JHBCY=\r\n
    Upgrade: WebSocket\r\n
    Connection: Upgrade\r\n

HTTP 状态码=200（正常响应）的情况，大家见得多了。101 确实不常见，它其实是指 协议切换 。

之后，浏览器也用同样的 公开算法 将base64码转成另一段字符串，如果这段字符串跟服务器传回来的 字符串一致 ，那验证通过。

就这样经历了一来一回两次 HTTP 握手，WebSocket就建立完成了，后续双方就可以使用 webscoket 的数据格式进行通信了。

# WebSocket抓包

我们可以用wireshark抓个包，实际看下数据包的情况。

上面这张图，注意画了红框的第2445行报文，是WebSocket的 第一次握手 ，意思是发起了一次带有特殊Header的HTTP请求。

上面这个图里画了红框的4714行报文，就是服务器在得到第一次握手后，响应的 第二次握手 ，可以看到这也是个 HTTP 类型的报文，返回的状态码是 101。同时可以看到返回的报文 header 中也带有各种WebSocket相关的信息，比如Sec-WebSocket-Accept。

上面这张图就是全貌了，从截图上的注释可以看出，WebSocket和HTTP一样都是基于TCP的协议。 经历了三次TCP握手之后，利用 HTTP 协议升级为 WebSocket 协议 。

你在网上可能会看到一种说法："WebSocket 是基于HTTP的新协议"， 其实这并不对 ，因为WebSocket只有在建立连接时才用到了HTTP， 升级完成之后就跟HTTP没有任何关系了 。

这就好像你喜欢的女生通过你要到了你大学室友的微信，然后他们自己就聊起来了。你能说这个女生是通过你去跟你室友沟通的吗？不能。你跟HTTP一样，都只是个 工具人 。

这就有点" 借壳生蛋 "的那意思。

HTTP和WebSocket的关系

# WebSocket的消息格式

上面提到在完成协议升级之后，两端就会用webscoket的数据格式进行通信。

数据包在WebSocket中被叫做帧，我们来看下它的数据格式长什么样子。

这里面字段很多，但我们只需要关注下面这几个。

opcode字段 ：这个是用来标志这是个 什么类型 的数据帧。比如。

等于 1 ，是指text类型（string）的数据包
等于 2 ，是二进制数据类型（[]byte）的数据包
等于 8 ，是关闭连接的信号

payload字段 ：存放的是我们 真正想要传输的数据的长度 ，单位是字节。比如你要发送的数据是字符串"111"，那它的长度就是3。

另外，可以看到，我们存放** payload 长度的字段有好几个**，我们既可以用最前面的7bit, 也可以用后面的7+16bit 或 7+64bit。

那么问题就来了。

我们知道，在数据层面，大家都是 01 二进制流。我怎么知道 什么情况下应该读 7 bit，什么情况下应该读7+16bit呢？

WebSocket会用最开始的7bit做标志位。不管接下来的数据有多大，都 先读最先的7个bit ，根据它的取值决定还要不要再读个 16bit 或 64bit。

如果最开始的7bit的值是 0~125，那么它就表示了 payload 全部长度 ，只读最开始的7个bit就完事了。

如果是126（0x7E）。那它表示payload的长度范围在 126~65535 之间，接下来还需要 再读16bit 。这16bit会包含payload的真实长度。

如果是127（0x7F）。那它表示payload的长度范围>=65536，接下来还需要 再读64bit 。这64bit会包含payload的长度。这能放2的64次方byte的数据，换算一下好多个TB，肯定够用了。

payload data字段 ：这里存放的就是真正要传输的数据，在知道了上面的payload长度后，就可以根据这个值去截取对应的数据。

大家有没有发现一个小细节，WebSocket的数据格式也是 数据头（内含payload长度） + payload data 的形式。

这是因为 TCP 协议本身就是全双工，但直接使用 纯裸TCP 去传输数据，会有粘包的"问题"。为了解决这个问题，上层协议一般会用 消息头+消息体 的格式去重新包装要发的数据。

而 消息头 里一般含有 消息体的长度 ，通过这个长度可以去截取真正的消息体。

HTTP 协议和大部分 RPC 协议，以及我们今天介绍的WebSocket协议，都是这样设计的。

# WebSocket的使用场景

WebSocket完美继承了 TCP 协议的 全双工 能力，并且还贴心的提供了解决粘包的方案。

它适用于 需要服务器和客户端（浏览器）频繁交互 的大部分场景，比如网页/小程序游戏，网页聊天室，以及一些类似飞书这样的网页协同办公软件。

回到文章开头的问题，在使用 WebSocket 协议的网页游戏里，怪物移动以及攻击玩家的行为是 服务器逻辑 产生的，对玩家产生的伤害等数据，都需要由 服务器主动发送给客户端 ，客户端获得数据后展示对应的效果。

# 总结

TCP 协议本身是 全双工 的，但我们最常用的 HTTP/1.1，虽然是基于 TCP 的协议，但它是 半双工 的，对于大部分需要服务器主动推送数据到客户端的场景，都不太友好，因此我们需要使用支持全双工的 WebSocket 协议。
在 HTTP/1.1 里，只要客户端不问，服务端就不答。基于这样的特点，对于登录页面这样的简单场景，可以使用 定时轮询或者长轮询 的方式实现 服务器推送 (comet)的效果。
对于客户端和服务端之间需要频繁交互的复杂场景，比如网页游戏，都可以考虑使用 WebSocket 协议。
WebSocket 和 socket 几乎没有任何关系，只是叫法相似。
正因为各个浏览器都支持 HTTP协议，所以 WebSocket 会先利用HTTP协议加上一些特殊的 header 头进行握手升级操作，升级成功后就跟 HTTP 没有任何关系了，之后就用 WebSocket 的数据格式进行收发数据。

阅读全文