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。