python爬蟲學習筆記 1.8 （urllib:get請求和post請求）

urllib默認只支持HTTP/HTTPS的GET和POST方法

urllib.parse.urlencode()

編碼工作使用urllib.parse的urlencode()函數，幫我們將key:value這樣的鍵值對轉換成"key=value"這樣的字符串，解碼工作可以使用urllib.parse的unquote()函數。

# IPython3 中的測試結果
In [1]: import urllib.parse

In [2]: word = {"wd" : "學習使我快樂"}

# 通過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。
In [3]: urllib.parse.urlencode(word)  
Out[3]: "wd=%E5%AD%A6%E4%B9%A0%E4%BD%BF%E6%88%91%E5%BF%AB%E4%B9%90"

# 通過urllib.unquote()方法，把 URL編碼字符串，轉換回原先字符串。
In [4]: print urllib.parse.unquote("wd=%E5%AD%A6%E4%B9%A0%E4%BD%BF%E6%88%91%E5%BF%AB%E4%B9%90")
wd=學習使我快樂

一般HTTP請求提交數據，需要編碼成 URL編碼格式，然後做爲url的一部分，或者作爲參數傳到Request對象中。

GET方式

GET請求一般用於我們向服務器獲取數據，比如說，我們用百度搜索python:https://www.baidu.com/s?wd=python

在其中我們可以看到在請求部分裏，http://www.baidu.com/s? 之後出現一個長長的字符串，其中就包含我們要查詢的關鍵詞，於是我們可以嘗試用默認的Get方式來發送請求。

# urllib_get.py

url = "http://www.baidu.com/s"
word = {"wd":"傳智播客"}
word = urllib.parse.urlencode(word) #轉換成url編碼格式（字符串）
newurl = url + "?" + word    # url首個分隔符就是 ?

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

response = urllib.request.urlopen(request)

print (response.read())

批量爬取貼吧頁面數據

首先我們創建一個python文件, tiebaSpider.py，我們要完成的是，輸入一個百度貼吧的地址，比如：

百度貼吧LOL吧第一頁：http://tieba.baidu.com/f?kw=lol&ie=utf-8&pn=0

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

第三頁： http://tieba.baidu.com/f?kw=lol&ie=utf-8&pn=100

發現規律了吧，貼吧中每個頁面不同之處，就是url最後的pn的值，其餘的都是一樣的，我們可以抓住這個規律。

簡單寫一個小爬蟲程序，來爬取百度LOL吧的所有網頁。

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，然後組合url，假設是lol吧，那麼組合後的url就是：http://tieba.baidu.com/f?kw=lol

批量爬取貼吧頁面數據

首先我們創建一個python文件, tiebaSpider.py，我們要完成的是，輸入一個百度貼吧的地址，比如：

百度貼吧LOL吧第一頁：http://tieba.baidu.com/f?kw=lol&ie=utf-8&pn=0

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

第三頁： http://tieba.baidu.com/f?kw=lol&ie=utf-8&pn=100

發現規律了吧，貼吧中每個頁面不同之處，就是url最後的pn的值，其餘的都是一樣的，我們可以抓住這個規律。

簡單寫一個小爬蟲程序，來爬取百度LOL吧的所有網頁。
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，然後組合url，假設是lol吧，那麼組合後的url就是：http://tieba.baidu.com/f?kw=lol

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

    kw = raw_input("請輸入需要爬取的貼吧:")
    # 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.parse.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，我們寫一個百度貼吧爬蟲接口，我們需要傳遞3個參數給這個接口，一個是main裏組合的url地址，以及起始頁碼和終止頁碼，表示要爬取頁碼的範圍。

def tiebaSpider(url, beginPage, endPage):
    """
        作用：負責處理url，分配每個url去發送請求
        url：需要處理的第一個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，並且pn值每次增加50
        fullurl = url + "&pn=" + str(pn)
        #print fullurl

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

我們已經之前寫出一個爬取一個網頁的代碼。現在，我們可以將它封裝成一個小函數loadPage，供我們使用。

def loadPage(url, filename):
    '''
        作用：根據url發送請求，獲取服務器響應文件
        url：需要爬取的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 = urllib.request.Request(url, headers = headers)
    response = urllib.request.urlopen(request)
    return response.read()

最後如果我們希望將爬取到了每頁的信息存儲在本地磁盤上，我們可以簡單寫一個存儲文件的接口.

def writeFile(html, filename):
    """
        作用：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

其實很多網站都是這樣的，同類網站下的html頁面編號，分別對應網址後的網頁序號，只要發現規律就可以批量爬取頁面了。

全部代碼

from past.builtins import raw_input
import urllib.request
import requests


def tiebaSpider(url,beginPage,endPage):
    """
           作用：負責處理url，分配每個url去發送請求
           url：需要處理的第一個url
           beginPage: 爬蟲執行的起始頁面
           endPage: 爬蟲執行的截止頁面
       """
    #https://tieba.baidu.com/f?kw=lol&pn=50
    for page in range(beginPage,endPage+1):
        pn = (page-1) * 50

        filename = "第" + str(page) + "頁.html"

        fullurl = url + "&pn" + str(pn)

        html = loadPage(fullurl,filename)

        html = html.decode()

        writeFile(html,filename)

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

    headers = {"User-Agent": "Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/80.0.3987.163 Safari/537.36"}

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

    response = urllib.request.urlopen(request)

    return response.read()

def writeFile(html,filename):
    """
        作用：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',encoding="utf-8") as f:

        f.write(html)



if __name__ == "__main__":

    kw = raw_input("請輸入需要爬取的貼吧：")

    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?"
    # 將鍵值轉化爲字節符
    key = urllib.parse.urlencode({"kw":kw})

    url = url + key

    tiebaSpider(url,beginPage,endPage)

POST方式：

上面我們說了Request請求對象的裏有data參數，它就是用在POST裏的，我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，再通過使用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不是在url裏，那麼我們可以試着模擬這個POST請求。

於是，我們可以嘗試用POST方式發送請求。

base_url = 'http://fanyi.youdao.com/translate_o?smartresult=dict&smartresult=rule'
data = {
    'i': 'spider',
    'from': 'AUTO',
    'to': 'AUTO',
    'smartresult': 'dict',
    'client': 'fanyideskweb',
    'salt': '15722497498890',
    'sign': 'a5bfb7f00ee1906773bda3074ff32fec',
    'ts': '1572249749889',
    'bv': '1b6a302b48b06158238e3c036feb6ba1',
    'doctype': 'json',
    'version': '2.1',
    'keyfrom': 'fanyi.web',
    'action': 'FY_BY_REALTlME',
}
headers= {
    'Accept': 'application/json, text/javascript, */*; q=0.01',
    'Accept-Encoding': 'gzip, deflate',
    'Accept-Language': 'zh-CN,zh;q=0.9',
    'Connection': 'keep-alive',
    'Content-Length': '239',
    'Content-Type': 'application/x-www-form-urlencoded; charset=UTF-8',
    'Cookie': '_ntes_nnid=106c3a7170510674c7f7d772e62a558b,1565682306312; OUTFOX_SEARCH_USER_ID_NCOO=1135450303.6725993; OUTFOX_SEARCH_USER_ID="[email protected]"; [email protected]|1570794528|0|other|00&99|not_found&1570667109&mail_client#bej&null#10#0#0|152885&0||[email protected]; _ga=GA1.2.1944828316.1572140505; JSESSIONID=aaa-Ya9um-M_N80M5xr4w; ___rl__test__cookies=1572249749875',
    'Host': 'fanyi.youdao.com',
    'Origin': 'http://fanyi.youdao.com',
    'Referer': 'http://fanyi.youdao.com/',
    'User-Agent': 'Mozilla/5.0 (Windows NT 6.1; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/78.0.3904.70 Safari/537.36',
    'X-Requested-With': 'XMLHttpRequest',
}

data = urllib.parse.urlencode(data)

data = data.encode()

request =  urllib.request.Request(base_url,data = data ,headers = headers)
response = urllib.request.urlopen(request)
print(response.read())

這裏提供一個使用requests的代碼作爲對比：

import requests

base_url = 'http://fanyi.youdao.com/translate_o?smartresult=dict&smartresult=rule'
data = {
    'i': 'spider',
    'from': 'AUTO',
    'to': 'AUTO',
    'smartresult': 'dict',
    'client': 'fanyideskweb',
    'salt': '15722497498890',
    'sign': 'a5bfb7f00ee1906773bda3074ff32fec',
    'ts': '1572249749889',
    'bv': '1b6a302b48b06158238e3c036feb6ba1',
    'doctype': 'json',
    'version': '2.1',
    'keyfrom': 'fanyi.web',
    'action': 'FY_BY_REALTlME',
}
headers= {
    'Accept': 'application/json, text/javascript, */*; q=0.01',
    'Accept-Encoding': 'gzip, deflate',
    'Accept-Language': 'zh-CN,zh;q=0.9',
    'Connection': 'keep-alive',
    'Content-Length': '239',
    'Content-Type': 'application/x-www-form-urlencoded; charset=UTF-8',
    'Cookie': '_ntes_nnid=106c3a7170510674c7f7d772e62a558b,1565682306312; OUTFOX_SEARCH_USER_ID_NCOO=1135450303.6725993; OUTFOX_SEARCH_USER_ID="[email protected]"; [email protected]|1570794528|0|other|00&99|not_found&1570667109&mail_client#bej&null#10#0#0|152885&0||[email protected]; _ga=GA1.2.1944828316.1572140505; JSESSIONID=aaa-Ya9um-M_N80M5xr4w; ___rl__test__cookies=1572249749875',
    'Host': 'fanyi.youdao.com',
    'Origin': 'http://fanyi.youdao.com',
    'Referer': 'http://fanyi.youdao.com/',
    'User-Agent': 'Mozilla/5.0 (Windows NT 6.1; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/78.0.3904.70 Safari/537.36',
    'X-Requested-With': 'XMLHttpRequest',
}
response = requests.post(base_url,headers = headers,data=data)
print(response.text)

發送POST請求時，需要特別注意headers的一些屬性：
Content-Length: 144：是指發送的表單數據長度爲144，也就是字符個數是144個。

Content-Type: application/x-www-form-urlencoded ：表示瀏覽器提交 Web 表單時使用，表單數據會按照 name1=value1&name2=value2 鍵值對形式進行編碼。

X-Requested-With: XMLHttpRequest ：表示Ajax異步請求。

獲取AJAX加載的內容

有些網頁內容使用AJAX加載，這種數據無法直接對網頁url進行獲取。只要記得，AJAX一般返回的是JSON，只要對AJAX地址進行post或get，就能返回JSON數據了。

如果非要從HTML頁面裏獲取展現出來的數據，也不是不可以。但是要記住，作爲一名爬蟲工程師，你更需要關注的是數據的來源。

import urllib

# demo1

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

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

# 變動的是這兩個參數，從start開始往後顯示limit個
formdata = {
    'start':'0',
    'limit':'10'
}
data = urllib.parse.urlencode(formdata)

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

print (response.read())


# demo2

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

# 處理所有參數
formdata = {
    'type':'11',
    'interval_id':'100:90',
    'action':'',
    'start':'0',
    'limit':'10'
}
data = urllib.parse.urlencode(formdata)

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

print (response.read())

GET方式是直接以鏈接形式訪問，鏈接中包含了所有的參數，服務器端用Request.QueryString獲取變量的值。如果包含了密碼的話是一種不安全的選擇，不過你可以直觀地看到自己提交了什麼內容。

POST則不會在網址上顯示所有的參數，服務器端用Request.Form獲取提交的數據，在Form提交的時候。但是HTML代碼裏如果不指定 method 屬性，則默認爲GET請求，Form中提交的數據將會附加在url之後，以?分開與url分開。

表單數據可以作爲 URL 字段（method=“get”）或者 HTTP POST （method=“post”）的方式來發送。比如在下面的HTML代碼中，表單數據將因爲（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

現在隨處可見 https 開頭的網站，urllib可以爲 HTTPS 請求驗證SSL證書，就像web瀏覽器一樣，如果網站的SSL證書是經過CA認證的，則能夠正常訪問，如：https://www.baidu.com/等…

如果SSL證書驗證不通過，或者操作系統不信任服務器的安全證書，比如瀏覽器在訪問12306網站如：https://www.12306.cn/mormhweb/的時候，會警告用戶證書不受信任。（據說 12306 網站證書是自己做的，沒有通過CA認證）

urllib在訪問的時候則會報出SSLError：

import urllib

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

response = urllib.request.urlopen(request)

print (response.read())

運行結果：

URLError: <urlopen error [SSL: CERTIFICATE_VERIFY_FAILED] certificate verify failed (_ssl.c:749)>

所以，如果以後遇到這種網站，我們需要單獨處理SSL證書，讓程序忽略SSL證書驗證錯誤，即可正常訪問。

import urllib
# 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 = urllib.request.Request(url, headers = headers)

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

print (response.read().decode())

關於CA

CA(Certificate Authority)是數字證書認證中心的簡稱，是指發放、管理、廢除數字證書的受信任的第三方機構，如北京數字認證股份有限公司、上海市數字證書認證中心有限公司等…

CA的作用是檢查證書持有者身份的合法性，並簽發證書，以防證書被僞造或篡改，以及對證書和密鑰進行管理。

現實生活中可以用身份證來證明身份，那麼在網絡世界裏，數字證書就是身份證。和現實生活不同的是，並不是每個上網的用戶都有數字證書的，往往只有當一個人需要證明自己的身份的時候才需要用到數字證書。

普通用戶一般是不需要，因爲網站並不關心是誰訪問了網站，現在的網站只關心流量。但是反過來，網站就需要證明自己的身份了。

比如說現在釣魚網站很多的，比如你想訪問的是www.baidu.com，但其實你訪問的是www.daibu.com”，所以在提交自己的隱私信息之前需要驗證一下網站的身份，要求網站出示數字證書。

一般正常的網站都會主動出示自己的數字證書，來確保客戶端和網站服務器之間的通信數據是加密安全的。

python爬蟲學習筆記 1.8 （urllib:get請求和post請求）

python爬蟲學習筆記 1.8 （urllib:get請求和post請求）

urllib默認只支持HTTP/HTTPS的GET和POST方法

urllib.parse.urlencode()

GET方式

批量爬取貼吧頁面數據

簡單寫一個小爬蟲程序，來爬取百度LOL吧的所有網頁。

批量爬取貼吧頁面數據

全部代碼

POST方式：

有道詞典翻譯網站：

獲取AJAX加載的內容

處理HTTPS請求 SSL證書驗證

關於CA

Wireshark 安裝+使用（一）

Flask學習筆記（一）引言

Flask學習筆記（四）從helloworld開始

Flask學習筆記（三）安裝

Flask學習筆記（二）瞭解框架

Mysql學習筆記（基礎）基礎sql語句詳細記錄

Mac下配置sublime實現LaTeX

https://yachay.unat.edu.pe/blog/index.php?comment_area=format_blog&comment_component=blog&comment_co

linux以太網驅動總結