本篇將介紹urllib2的Get和Post方法演痒,更多內(nèi)容請參考:python學(xué)習(xí)指南
urllib2默認(rèn)只支持HTTP/HTTPS的GET和POST方法
urllib.urlencode()
urllib和urllib2都是接受URL請求的相關(guān)參數(shù),但是提供了不同的功能入愧。兩個最顯著的不同如下:
- urllib僅可以接受URL妻往,不能創(chuàng)建設(shè)置了headers的Request類實例侵状;
- 但是urllib提供了
urlencode
方法用來GET查詢字符串的產(chǎn)生蔚龙,而urllib2則沒有。(這是urllib和urllib2經(jīng)常一起使用的主要原因)- 編碼工作使用urllib的
urlencode()
函數(shù)伐债,幫我們將key:value
這樣的鍵值對轉(zhuǎn)換成"key=value"
這樣的字符串预侯,解碼工作可以使用urllib的unquote()
函數(shù)。(注意峰锁,不是urllib.urlencode())
#-*- coding:utf-8 -*-
#06.urllib2_urlencode.py
import urllib2
import urllib
word = {"wd":"傳智播客"}
#通過urllib.urlencode()方法萎馅,將字典鍵值對按URL編碼轉(zhuǎn)換,從而能被web服務(wù)器接受
encode = urllib.urlencode(word)
print(encode)
#通過urllib.unquote()方法虹蒋,把URL編碼字符串糜芳,轉(zhuǎn)換回原始字符串
print(urllib.unquote("wd=%E4%BC%A0%E6%99%BA%E6%92%AD%E5%AE%A2"))
一般HTTP請求提交數(shù)據(jù),需要編碼成URL編碼格式魄衅,然后作為url的一部分峭竣,或者作為參數(shù)傳到Request對象中。
Get方式
Get請求一般用于我們向服務(wù)器獲取數(shù)據(jù)晃虫,比如說皆撩,我們用百度搜索傳智播客
;https://www.baidu.com/s?wd=傳智播客
瀏覽器的url會跳轉(zhuǎn)如圖所示
https://www.baidu.com/s?wd=%E4%BC%A0%E6%99%BA%E6%92%AD%E5%AE%A2
在其中我們可以看到在請求部分里哲银,http://www.baidu.com/s
之后出現(xiàn)一個長長的字符串扛吞,其中就包含我門要查詢的關(guān)鍵詞傳智播客,于是我們可以嘗試使用默認(rèn)的Get方式來發(fā)送請求荆责。
#-*- 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(zhuǎn)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(shù)據(jù)
首先我們創(chuàng)建一個python文件滥比,tiebaSpider.py,我們要完成的是草巡,輸入一個百度貼吧的地址守呜,比如:
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
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=50
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(fā)現(xiàn)規(guī)律了吧型酥,貼吧中每個頁面不同之處,就是url最后的pn的值查乒,其余的都是一樣的弥喉,我們可以抓住這個規(guī)律。
簡單寫一個小爬蟲程序玛迄,來爬蟲百度LOL吧的所有網(wǎng)頁
- 先寫一個main由境,提示用戶輸入要爬取的貼吧名,并用urllib.urlencode()進行轉(zhuǎn)碼蓖议,然后組合url虏杰,假設(shè)是lol吧,那么組合的url就是:
http://tieba.baidu.com/f?kw=lol
# 模擬 main 函數(shù)
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勒虾,str轉(zhuǎn)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})
# 組合后的url示例:http://tieba.baidu.com/f?kw=lol
url = url + key
tiebaSpider(url, beginPage, endPage)
- 接下來纺阔,我們寫一個百度貼吧爬蟲接口,我們需要傳遞3個參數(shù)給這個接口修然,一個是main里組合url地址笛钝,以及起始頁和終止頁碼
,表示要爬取頁碼的范圍愕宋。
def tiebaSpider(url, beginPage, endPage):
"""
作用:負責(zé)處理url玻靡,分配每個url去發(fā)送請求
url:需要處理的第一個url
beginPage: 爬蟲執(zhí)行的起始頁面
endPage: 爬蟲執(zhí)行的截止頁面
"""
for page in range(beginPage, endPage + 1):
pn = (page - 1) * 50
filename = "第" + str(page) + "頁.html"
# 組合為完整的 url,并且pn值每次增加50
fullurl = url + "&pn=" + str(pn)
#print fullurl
# 調(diào)用loadPage()發(fā)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)
- 我們已經(jīng)之前寫出一個爬取一個網(wǎng)頁的代碼≈斜矗現(xiàn)在囤捻,我們可以把它封裝成一個loadPage,供我們使用。
def loadPage(url, filename):
'''
作用:根據(jù)url發(fā)送請求邻寿,獲取服務(wù)器響應(yīng)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 = urllib2.Request(url, headers = headers)
response = urllib2.urlopen(request)
return response.read()
- 最后如果我們希望將爬取到了每頁的信息存儲在本地磁盤上蝎土,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(wù)器響應(yīng)文件到本地磁盤文件里
html: 服務(wù)器響應(yīng)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(wǎng)站都是這樣的老厌,同類網(wǎng)站下的html頁面編號瘟则,分別對應(yīng)網(wǎng)址后的網(wǎng)頁序號黎炉,只要發(fā)現(xiàn)規(guī)律就可以批量爬取頁面了枝秤。
POST方式:
上面我們說了Request請求對象里有data參數(shù),它就是用在POST里慷嗜,我們要傳送的數(shù)據(jù)就是這個參數(shù)data淀弹,data是一個字典,里面要匹配鍵值對庆械。
有道詞典翻譯網(wǎng)站:
輸入測試數(shù)據(jù)薇溃,再通過使用Fiddler觀察,其中有一條是POST請求缭乘,而向服務(wù)器發(fā)送的請求數(shù)據(jù)并不是在url里沐序,那么我們可以試著模擬這個POST請求。
于是,我們可以嘗試用POST方式發(fā)送請求策幼。
#-*- coding:utf-8 -*-
#09.urllib2_post.py
import urllib
import urllib2
#POST請求的目標(biāo)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(fā)送POST請求時邑时,需要特別注意headers的一些屬性:
Content-Length
:是指發(fā)送的表單數(shù)據(jù)長度為144,也就是字符個數(shù)是144個特姐;
X-Requested-With
:表示Ajax異步請求晶丘。
Content-Type: application/x-www-form-urlencoded
:表示瀏覽器提交web表單時,表單數(shù)據(jù)會按照name1=value1&name2=value2鍵值對形式進行編碼唐含。
獲取AJAX加載的內(nèi)容
有些網(wǎng)頁內(nèi)容使用AJAX加載浅浮,只要記得,AJAX一般返回的是JSON捷枯,直接對AJAX地址進行post或get,就返回JSON數(shù)據(jù)了滚秩。
"作為一名爬蟲工程師,你最需要關(guān)注的淮捆,是數(shù)據(jù)的來源了叔遂。"
#-*- 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...."}
# 變動的是這兩個參數(shù),從start開始往后顯示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...."}
# 處理所有參數(shù)
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:為什么有時候POST也能在URL內(nèi)看到數(shù)據(jù)?
- GET方式是以直接以鏈接形式訪問争剿,鏈接中包含了所有參數(shù)已艰,服務(wù)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蚕苇,不過你可以直觀地看到自己提交了什么內(nèi)容哩掺。
- POST則不會在網(wǎng)址上顯示所有的參數(shù),服務(wù)器端用Request.Form獲取提交的數(shù)據(jù)涩笤,在Form提交的時候嚼吞。但是HTML代碼里如果不指定method屬性,則默認(rèn)為GET請求蹬碧,F(xiàn)orm中提交的數(shù)據(jù)將會附加在url之后舱禽,以
?
與url分開- 表單數(shù)據(jù)可以作為URL字段(method="get")或者HTTP POST(method="post")的方式來發(fā)送。比如在下面的HTML代碼中恩沽,表單數(shù)據(jù)將因為(method="get")而附加到URL上誊稚;
<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(xiàn)在隨處可見https開頭的網(wǎng)站,urllib2可以為HTTPS請求驗證SSL證書罗心,就像web瀏覽器一樣里伯,如果網(wǎng)站的SSL證書是經(jīng)過CA認(rèn)證的,則能夠正常訪問渤闷,如https://www.baidu.com/
...
如果SSL證書驗證不通過疾瓮,或者操作系統(tǒng)不信任服務(wù)器的安全證書,比如瀏覽器在訪問12306網(wǎng)站如:"https://www.12306.cn/normhweb/"的時候飒箭,會警告用戶證書不受信任狼电。(據(jù)說 12306網(wǎng)絡(luò)證書是自己的蜒灰,沒有通過CA認(rèn)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(jié)果:
urllib2.URLError: <urlopen error [SSL: CERTIFICATE_VERIFY_FAILED] certificate verify failed (_ssl.c:590)>
所以,如果以后遇到這種網(wǎng)站肩碟,我們需要單獨處理SSL證書卷员,讓程序忽略SSL證書驗證錯誤,即可正常訪問腾务。
import urllib
import urllib2
# 1. 導(dǎo)入Python SSL處理模塊
import ssl
# 2. 表示忽略未經(jīng)核實的SSL證書認(rèn)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()方法里 指明添加 context 參數(shù)
response = urllib2.urlopen(request, context = context)
print response.read()
關(guān)于CA
CA(Certificate Authority)是數(shù)字證書認(rèn)證中心的簡稱毕骡,是指發(fā)放、管理岩瘦、廢除數(shù)字證書的受信任的第三方機構(gòu)未巫,如北京數(shù)字認(rèn)證股份有限公司、上海市數(shù)字證書認(rèn)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启昧,并簽發(fā)證書叙凡,以防證書被偽造或篡改,以及對證書和密鑰進行管理密末。
現(xiàn)實生活中可以用身份證來證明身份握爷, 那么在網(wǎng)絡(luò)世界里,數(shù)字證書就是身份證严里。和現(xiàn)實生活不同的是新啼,并不是每個上網(wǎng)的用戶都有數(shù)字證書的,往往只有當(dāng)一個人需要證明自己的身份的時候才需要用到數(shù)字證書刹碾。
普通用戶一般是不需要燥撞,因為網(wǎng)站并不關(guān)心是誰訪問了網(wǎng)站,現(xiàn)在的網(wǎng)站只關(guān)心流量迷帜。但是反過來物舒,網(wǎng)站就需要證明自己的身份了。
比如說現(xiàn)在釣魚網(wǎng)站很多的戏锹,比如你想訪問的是www.baidu.com冠胯,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(wǎng)站的身份锦针,要求網(wǎng)站出示數(shù)字證書荠察。
一般正常的網(wǎng)站都會主動出示自己的數(shù)字證書,來確鄙〔澹客戶端和網(wǎng)站服務(wù)器之間的通信數(shù)據(jù)是加密安全的割粮。