爬虫原理与数据抓取之五: GET和POST请求

作者: 奋斗的老王 | 来源:发表于2018-04-18 15:15 被阅读63次

    urllib2默认只支持HTTP/HTTPS的 GET 和 POST 方法

    urllib.urlencode()

    urllib 和 urllib2 都是接受URL请求的相关模块,但是提供了不同的功能。两个最显著的不同如下:
    • urllib 仅可以接受URL,不能创建 设置了headers 的Request 类实例;
    • 但是 urllib 提供 urlencode 方法用来GET查询字符串的产生,而 urllib2 则没有。(这是 urllib 和 urllib2 经常一起使用的主要原因)
    • 编码工作使用urllib的urlencode()函数,帮我们将key:value这样的键值对转换成"key=value"这样的字符串,解码工作可以使用urllib的unquote()函数。(注意,不是urllib2.urlencode() )
    # IPython2 中的测试结果
    In [1]: import urllib
    
    In [2]: word = {"wd" : "传智播客"}
    
    # 通过urllib.urlencode()方法,将字典键值对按URL编码转换,从而能被web服务器接受。
    In [3]: urllib.urlencode(word)  
    Out[3]: "wd=%E4%BC%A0%E6%99%BA%E6%92%AD%E5%AE%A2"
    
    # 通过urllib.unquote()方法,把 URL编码字符串,转换回原先字符串。
    In [4]: print urllib.unquote("wd=%E4%BC%A0%E6%99%BA%E6%92%AD%E5%AE%A2")
    wd=传智播客
    
    
    一般HTTP请求提交数据,需要编码成 URL编码格式,然后做为url的一部分,或者作为参数传到Request对象中。

    Get方式

    GET请求一般用于我们向服务器获取数据,比如说,我们用百度搜索传智播客https://www.baidu.com/s?wd=传智播客

    浏览器的url会跳转成如图所示:

    屏幕快照 2018-04-18 下午3.13.46.png

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

    在其中我们可以看到在请求部分里,http://www.baidu.com/s? 之后出现一个长长的字符串,其中就包含我们要查询的关键词传智播客,于是我们可以尝试用默认的Get方式来发送请求。

    # urllib2_get.py
    
    import urllib      #负责url编码处理
    import urllib2
    
    url = "http://www.baidu.com/s"
    word = {"wd":"传智播客"}
    word = urllib.urlencode(word) #转换成url编码格式(字符串)
    newurl = url + "?" + word    # url首个分隔符就是 ?
    
    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 = urllib2.Request(newurl, headers=headers)
    
    response = urllib2.urlopen(request)
    
    print response.read()
    
    

    批量爬取贴吧页面数据

    首先我们创建一个python文件, tiebaSpider.py,我们要完成的是,输入一个百度贴吧的地址,比如:

    百度贴吧LOL吧第一页:http://tieba.baidu.com/f?kw=lol&ie=utf-8&pn=0

    第二页: http://tieba.baidu.com/f?kw=lol&ie=utf-8&pn=50

    第三页: http://tieba.baidu.com/f?kw=lol&ie=utf-8&pn=100

    发现规律了吧,贴吧中每个页面不同之处,就是url最后的pn的值,其余的都是一样的,我们可以抓住这个规律。

    简单写一个小爬虫程序,来爬取百度LOL吧的所有网页。
    • 先写一个main,提示用户输入要爬取的贴吧名,并用urllib.urlencode()进行转码,然后组合url,假设是lol吧,那么组合后的url就是:http://tieba.baidu.com/f?kw=lol
    # 模拟 main 函数
    if __name__ == "__main__":
    
        kw = raw_input("请输入需要爬取的贴吧:")
        # 输入起始页和终止页,str转成int类型
        beginPage = int(raw_input("请输入起始页:"))
        endPage = int(raw_input("请输入终止页:"))
    
        url = "http://tieba.baidu.com/f?"
        key = urllib.urlencode({"kw" : kw})
    
        # 组合后的url示例:http://tieba.baidu.com/f?kw=lol
        url = url + key
        tiebaSpider(url, beginPage, endPage)
    
    
    • 接下来,我们写一个百度贴吧爬虫接口,我们需要传递3个参数给这个接口, 一个是main里组合的url地址,以及起始页码和终止页码,表示要爬取页码的范围。
    def tiebaSpider(url, beginPage, endPage):
        """
            作用:负责处理url,分配每个url去发送请求
            url:需要处理的第一个url
            beginPage: 爬虫执行的起始页面
            endPage: 爬虫执行的截止页面
        """
    
        for page in range(beginPage, endPage + 1):
            pn = (page - 1) * 50
    
            filename = "第" + str(page) + "页.html"
            # 组合为完整的 url,并且pn值每次增加50
            fullurl = url + "&pn=" + str(pn)
            #print fullurl
    
            # 调用loadPage()发送请求获取HTML页面
            html = loadPage(fullurl, filename)
            # 将获取到的HTML页面写入本地磁盘文件
            writeFile(html, filename)
    
    
    • 我们已经之前写出一个爬取一个网页的代码。现在,我们可以将它封装成一个小函数loadPage,供我们使用。
    def loadPage(url, filename):
        '''
            作用:根据url发送请求,获取服务器响应文件
            url:需要爬取的url地址
            filename: 文件名
        '''
        print "正在下载" + 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()
    
    
    • 最后如果我们希望将爬取到了每页的信息存储在本地磁盘上,我们可以简单写一个存储文件的接口。
    def writeFile(html, filename):
        """
            作用:保存服务器响应文件到本地磁盘文件里
            html: 服务器响应文件
            filename: 本地磁盘文件名
        """
        print "正在存储" + filename
        with open(filename, 'w') as f:
            f.write(html)
        print "-" * 20
    
    

    其实很多网站都是这样的,同类网站下的html页面编号,分别对应网址后的网页序号,只要发现规律就可以批量爬取页面了。


    POST方式:

    上面我们说了Request请求对象的里有data参数,它就是用在POST里的,我们要传送的数据就是这个参数data,data是一个字典,里面要匹配键值对。

    有道词典翻译网站:

    输入测试数据,再通过使用Fiddler观察,其中有一条是POST请求,而向服务器发送的请求数据并不是在url里,那么我们可以试着模拟这个POST请求。

    屏幕快照 2018-04-18 下午3.13.37.png

    于是,我们可以尝试用POST方式发送请求。

    import urllib
    import urllib2
    
    # POST请求的目标URL
    url = "http://fanyi.youdao.com/translate?smartresult=dict&smartresult=rule&smartresult=ugc&sessionFrom=null"
    
    headers={"User-Agent": "Mozilla...."}
    
    formdata = {
        "type":"AUTO",
        "i":"i love python",
        "doctype":"json",
        "xmlVersion":"1.8",
        "keyfrom":"fanyi.web",
        "ue":"UTF-8",
        "action":"FY_BY_ENTER",
        "typoResult":"true"
    }
    
    data = urllib.urlencode(formdata)
    
    request = urllib2.Request(url, data = data, headers = headers)
    response = urllib2.urlopen(request)
    print response.read()
    
    
    发送POST请求时,需要特别注意headers的一些属性:

    Content-Length: 144: 是指发送的表单数据长度为144,也就是字符个数是144个。

    X-Requested-With: XMLHttpRequest :表示Ajax异步请求。

    Content-Type: application/x-www-form-urlencoded : 表示浏览器提交 Web 表单时使用,表单数据会按照 name1=value1&name2=value2 键值对形式进行编码。

    获取AJAX加载的内容

    有些网页内容使用AJAX加载,只要记得,AJAX一般返回的是JSON,直接对AJAX地址进行post或get,就返回JSON数据了。

    "作为一名爬虫工程师,你最需要关注的,是数据的来源"

    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...."}
    
    # 变动的是这两个参数,从start开始往后显示limit个
    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...."}
    
    # 处理所有参数
    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()
    
    

    问题:为什么有时候POST也能在URL内看到数据?

    • GET方式是直接以链接形式访问,链接中包含了所有的参数,服务器端用Request.QueryString获取变量的值。如果包含了密码的话是一种不安全的选择,不过你可以直观地看到自己提交了什么内容。
    • POST则不会在网址上显示所有的参数,服务器端用Request.Form获取提交的数据,在Form提交的时候。但是HTML代码里如果不指定 method 属性,则默认为GET请求,Form中提交的数据将会附加在url之后,以?分开与url分开。
    • 表单数据可以作为 URL 字段(method="get")或者 HTTP POST (method="post")的方式来发送。比如在下面的HTML代码中,表单数据将因为 (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>
    
    
    屏幕快照 2018-04-18 下午3.13.28.png

    处理HTTPS请求 SSL证书验证

    现在随处可见 https 开头的网站,urllib2可以为 HTTPS 请求验证SSL证书,就像web浏览器一样,如果网站的SSL证书是经过CA认证的,则能够正常访问,如:https://www.baidu.com/等...

    如果SSL证书验证不通过,或者操作系统不信任服务器的安全证书,比如浏览器在访问12306网站如:https://www.12306.cn/mormhweb/的时候,会警告用户证书不受信任。(据说 12306 网站证书是自己做的,没有通过CA认证)

    屏幕快照 2018-04-18 下午3.13.17.png

    urllib2在访问的时候则会报出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()
    
    

    运行结果:

    urllib2.URLError: <urlopen error [SSL: CERTIFICATE_VERIFY_FAILED] certificate verify failed (_ssl.c:590)>

    所以,如果以后遇到这种网站,我们需要单独处理SSL证书,让程序忽略SSL证书验证错误,即可正常访问。

    import urllib
    import urllib2
    # 1\. 导入Python SSL处理模块
    import ssl
    
    # 2\. 表示忽略未经核实的SSL证书认证
    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 参数
    response = urllib2.urlopen(request, context = context)
    
    print response.read()
    
    

    关于CA

    CA(Certificate Authority)是数字证书认证中心的简称,是指发放、管理、废除数字证书的受信任的第三方机构,如北京数字认证股份有限公司上海市数字证书认证中心有限公司等...

    CA的作用是检查证书持有者身份的合法性,并签发证书,以防证书被伪造或篡改,以及对证书和密钥进行管理。

    现实生活中可以用身份证来证明身份, 那么在网络世界里,数字证书就是身份证。和现实生活不同的是,并不是每个上网的用户都有数字证书的,往往只有当一个人需要证明自己的身份的时候才需要用到数字证书。

    普通用户一般是不需要,因为网站并不关心是谁访问了网站,现在的网站只关心流量。但是反过来,网站就需要证明自己的身份了。

    比如说现在钓鱼网站很多的,比如你想访问的是www.baidu.com,但其实你访问的是www.daibu.com”,所以在提交自己的隐私信息之前需要验证一下网站的身份,要求网站出示数字证书。

    一般正常的网站都会主动出示自己的数字证书,来确保客户端和网站服务器之间的通信数据是加密安全的。

    相关文章

      网友评论

      本文标题:爬虫原理与数据抓取之五: GET和POST请求

      本文链接:https://www.haomeiwen.com/subject/ztgvkftx.html