python爬蟲(五)_urllib2:Get請求和Post請求

時間 2019-11-17

標籤 python 爬蟲 urllib2 urllib 求和 post 請求欄目 Python 简体版

原文原文鏈接

本篇將介紹urllib2的Get和Post方法，更多內容請參考:python學習指南html

urllib2默認只支持HTTP/HTTPS的GET和POST方法python

urllib.urlencode()

urllib和urllib2都是接受URL請求的相關參數，可是提供了不一樣的功能。兩個最顯著的不一樣以下：web

urllib僅能夠接受URL，不能建立設置了headers的Request類實例；

可是urllib提供了urlencode方法用來GET查詢字符串的產生，而urllib2則沒有。(這是urllib和urllib2常常一塊兒使用的主要緣由)

編碼工做使用urllib的urlencode()函數，幫咱們將key:value這樣的鍵值對轉換成"key=value"這樣的字符串，解碼工做可使用urllib的unquote()函數。(注意，不是urllib.urlencode())

#-*- coding:utf-8 -*-
#06.urllib2_urlencode.py
import urllib2
import urllib

word = {"wd":"傳智播客"}

#經過urllib.urlencode()方法，將字典鍵值對按URL編碼轉換，從而能被web服務器接受
encode = urllib.urlencode(word)

print(encode)
#經過urllib.unquote()方法，把URL編碼字符串，轉換回原始字符串

print(urllib.unquote("wd=%E4%BC%A0%E6%99%BA%E6%92%AD%E5%AE%A2"))

通常HTTP請求提交數據，須要編碼成URL編碼格式，而後做爲url的一部分，或者做爲參數傳到Request對象中。ajax

Get方式

Get請求通常用於咱們向服務器獲取數據，好比說，咱們用百度搜索傳智播客；https://www.baidu.com/s?wd=傳智播客json

瀏覽器的url會跳轉如圖所示
瀏覽器

https://www.baidu.com/s?wd=%E4%BC%A0%E6%99%BA%E6%92%AD%E5%AE%A2安全

在其中咱們能夠看到在請求部分裏，http://www.baidu.com/s以後出現一個長長的字符串，其中就包含我門要查詢的關鍵詞傳智播客，因而咱們能夠嘗試使用默認的Get方式來發送請求。服務器

#-*- coding:utf-8 -*-
#07.urllib2_get.py

import urllib
import urllib2

url = "http://www.baidu.com/s"
word = {"wd":"傳智播客"}
word = urllib.urlencode(word) #轉換成url編碼格式(字符串)

newurl = url + "?" + word

headers = {"User-Agent":"Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/51.0.2704.103 Safari/537.36"}

request = urllib2.Request(newurl,headers = headers)

response = urllib2.urlopen(request)

print(response.read())

批量爬取貼吧頁面數據

首先咱們建立一個python文件，tiebaSpider.py，咱們要完成的是，輸入一個百度貼吧的地址，好比：
百度貼吧LOL吧第一頁：[http://tieba.baidu.com/f?kw=lol&ie=utf-8&pn=0](http://tieba.baidu.com/f?kw=lol&ie=utf-8&pn=0網絡

第二頁：[http://tieba.baidu.com/f?kw=lol&ie=utf-8&pn=50](http://tieba.baidu.com/f?kw=lol&ie=utf-8&pn=50session

第二頁：[http://tieba.baidu.com/f?kw=lol&ie=utf-8&pn=100](http://tieba.baidu.com/f?kw=lol&ie=utf-8&pn=100

發現規律了吧，貼吧中每一個頁面不一樣之處，就是url最後的pn的值，其他的都是同樣的，咱們能夠抓住這個規律。

簡單寫一個小爬蟲程序，來爬蟲百度LOL吧的全部網頁

先寫一個main，提示用戶輸入要爬取的貼吧名，並用urllib.urlencode()進行轉碼，而後組合url，假設是lol吧，那麼組合的url就是: http://tieba.baidu.com/f?kw=lol

# 模擬 main 函數
if __name__ == "__main__":

    kw = raw_input("請輸入須要爬取的貼吧:")
    # 輸入起始頁和終止頁，str轉成int類型
    beginPage = int(raw_input("請輸入起始頁："))
    endPage = int(raw_input("請輸入終止頁："))

    url = "http://tieba.baidu.com/f?"
    key = urllib.urlencode({"kw" : kw})

    # 組合後的url示例：http://tieba.baidu.com/f?kw=lol
    url = url + key
    tiebaSpider(url, beginPage, endPage)

接下來，咱們寫一個百度貼吧爬蟲接口，咱們須要傳遞3個參數給這個接口，一個是main裏組合url地址，以及起始頁和終止頁碼
，表示要爬取頁碼的範圍。

def tiebaSpider(url, beginPage, endPage):
    """
        做用：負責處理url，分配每一個url去發送請求
        url：須要處理的第一個url
        beginPage: 爬蟲執行的起始頁面
        endPage: 爬蟲執行的截止頁面
    """


    for page in range(beginPage, endPage + 1):
        pn = (page - 1) * 50

        filename = "第" + str(page) + "頁.html"
        # 組合爲完整的 url，而且pn值每次增長50
        fullurl = url + "&pn=" + str(pn)
        #print fullurl

        # 調用loadPage()發送請求獲取HTML頁面
        html = loadPage(fullurl, filename)
        # 將獲取到的HTML頁面寫入本地磁盤文件
        writeFile(html, filename)

咱們已經以前寫出一個爬取一個網頁的代碼。如今，咱們能夠把它封裝成一個loadPage,供咱們使用。

def loadPage(url, filename):
    '''
        做用：根據url發送請求，獲取服務器響應文件
        url：須要爬取的url地址
        filename: 文件名
    '''
    print "正在下載" + filename

    headers = {"User-Agent": "Mozilla/5.0 (compatible; MSIE 9.0; Windows NT 6.1; Trident/5.0;"}

    request = urllib2.Request(url, headers = headers)
    response = urllib2.urlopen(request)
    return response.read()

最後若是咱們但願將爬取到了每頁的信息存儲在本地磁盤上，咱們能夠簡單寫一個存儲文件的接口。

def writeFile(html, filename):
    """
        做用：保存服務器響應文件到本地磁盤文件裏
        html: 服務器響應文件
        filename: 本地磁盤文件名
    """
    print "正在存儲" + filename
    with open(filename, 'w') as f:
        f.write(html)
    print "-" * 20

其實不少網站都是這樣的，同類網站下的html頁面編號，分別對應網址後的網頁序號，只要發現規律就能夠批量爬取頁面了。

POST方式：

上面咱們說了Request請求對象裏有data參數，它就是用在POST裏，咱們要傳送的數據就是這個參數data，data是一個字典，裏面要匹配鍵值對。

有道詞典翻譯網站：

輸入測試數據，再經過使用Fiddler觀察，其中有一條是POST請求，而向服務器發送的請求數據並非在url裏，那麼咱們能夠試着模擬這個POST請求。

因而，咱們能夠嘗試用POST方式發送請求。

#-*- coding:utf-8 -*-
#09.urllib2_post.py

import urllib
import urllib2

#POST請求的目標URL
url = "http://fanyi.youdao.com/translate?smartresult=dict&smartresult=rule&smartresult=ugc&sessionFrom=null"

headers = {"User-Agent":"Mozilla...."}

formate = {
    "type":"AUTO",
    "i":"i love python",
    "doctype":"json",
    "xmlVersion":"1.8",
    "keyform":"fanyi.web",
    "ue":"utf-8",
    "action":"FY_BY_ENTER",
    "typoResult":"true"
}

data = urllib.urlencode(formate)

request = urllib2.Request(url, data=data, headers = headers)

response = urllib2.urlopen(request)

print("-"*30)
print(response.read())

發送POST請求時，須要特別注意headers的一些屬性：

Content-Length：是指發送的表單數據長度爲144，也就是字符個數是144個；
X-Requested-With：表示Ajax異步請求。
Content-Type: application/x-www-form-urlencoded：表示瀏覽器提交web表單時，表單數據會按照name1=value1&name2=value2鍵值對形式進行編碼。

獲取AJAX加載的內容

有些網頁內容使用AJAX加載，只要記得，AJAX通常返回的是JSON，直接對AJAX地址進行post或get,就返回JSON數據了。
"做爲一名爬蟲工程師，你最須要關注的，是數據的來源了。"

#-*- coding:utf-8 -*-
#10.urllib2_ajax.py
import urllib
import urllib2

# demo1

url = "https://movie.douban.com/j/chart/top_list?type=11&interval_id=100%3A90&action"

headers={"User-Agent": "Mozilla...."}

# 變更的是這兩個參數，從start開始日後顯示limit個
formdata = {
    'start':'0',
    'limit':'10'
}
data = urllib.urlencode(formdata)

request = urllib2.Request(url, data = data, headers = headers)
response = urllib2.urlopen(request)

print(response.read())


#demo2
url = "https://movie.douban.com/j/chart/top_list?"
headers={"User-Agent": "Mozilla...."}

# 處理全部參數
formdata = {
    'type':'11',
    'interval_id':'100:90',
    'action':'',
    'start':'0',
    'limit':'10'
}
data = urllib.urlencode(formdata)

request = urllib2.Request(url, data = data, headers = headers)
response = urllib2.urlopen(request)

print response.read()

問題：爲何有時候POST也能在URL內看到數據?

GET方式是以直接以連接形式訪問，連接中包含了全部參數，服務器端用Request.QueryString獲取變量的值。若是包含了密碼的話是一種不安全的選擇，不過你能夠直觀地看到本身提交了什麼內容。

POST則不會在網址上顯示全部的參數，服務器端用Request.Form獲取提交的數據，在Form提交的時候。可是HTML代碼裏若是不指定method屬性，則默認爲GET請求，Form中提交的數據將會附加在url以後，以?與url分開
- 表單數據能夠做爲URL字段(method="get")或者HTTP POST(method="post")的方式來發送。好比在下面的HTML代碼中，表單數據將由於(method="get")而附加到URL上；

<form action="form_action.asp" method="get">
    <p>First name: <input type="text" name="fname" /></p>
    <p>Last name: <input type="text" name="lname" /></p>
    <input type="submit" value="Submit" />
</form>

處理HTTPS請求SSL證書驗證

如今隨處可見https開頭的網站，urllib2能夠爲HTTPS請求驗證SSL證書，就像web瀏覽器同樣，若是網站的SSL證書是通過CA認證的，則可以正常訪問，如https://www.baidu.com/...
若是SSL證書驗證不經過，或者操做系統不信任服務器的安全證書，好比瀏覽器在訪問12306網站如:"https://www.12306.cn/normhweb/"的時候，會警告用戶證書不受信任。(聽說 12306網絡證書是本身的，沒有經過CA認證)

urllib2在訪問的時候則會報出SSLError:

import urllib2

url = "https://www.12306.cn/mormhweb/"

headers = {"User-Agent": "Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/54.0.2840.99 Safari/537.36"}

request = urllib2.Request(url, headers = headers)

response = urllib2.urlopen(request)

print(response.read())

運行結果：
urllib2.URLError: <urlopen error [SSL: CERTIFICATE_VERIFY_FAILED] certificate verify failed (_ssl.c:590)>
因此，若是之後遇到這種網站，咱們須要單獨處理SSL證書，讓程序忽略SSL證書驗證錯誤，便可正常訪問。

import urllib
import urllib2
# 1. 導入Python SSL處理模塊
import ssl

# 2. 表示忽略未經覈實的SSL證書認證
context = ssl._create_unverified_context()

url = "https://www.12306.cn/mormhweb/"

headers = {"User-Agent": "Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/54.0.2840.99 Safari/537.36"}

request = urllib2.Request(url, headers = headers)

# 3. 在urlopen()方法裏 指明添加 context 參數
response = urllib2.urlopen(request, context = context)

print response.read()