爬蟲原理與資料抓取----- urllib2:GET請求和POST請求
urllib2預設只支援HTTP/HTTPS的GET
和POST
方法
urllib.urlencode()
urllib 和 urllib2 都是接受URL請求的相關模組,但是提供了不同的功能。兩個最顯著的不同如下:
urllib 僅可以接受URL,不能建立 設定了headers 的Request 類例項;
但是 urllib 提供
urlencode
方法用來GET查詢字串的產生,而 urllib2 則沒有。(這是 urllib 和 urllib2 經常一起使用的主要原因)編碼工作使用urllib的
urlencode()
函式,幫我們將key:value
這樣的鍵值對轉換成"key=value"
這樣的字串,解碼工作可以使用urllib的unquote()
函式。(注意,不是urllib2.urlencode() )
# IPython2 中的測試結果
In [1]: import urllib
In [2]: word = {"wd" : "傳智播客"}
# 通過urllib.urlencode()方法,將字典鍵值對按URL編碼轉換,從而能被web伺服器接受。
In [3]: urllib.urlencode(word)
Out[3]: "wd=%E4%BC%A0%E6%99%BA%E6%92%AD%E5%AE%A2"
# 通過urllib.unquote()方法,把 URL編碼字串,轉換回原先字串。
In [4]: print urllib.unquote("wd=%E4%BC%A0%E6%99%BA%E6%92%AD%E5%AE%A2")
wd=傳智播客
一般HTTP請求提交資料,需要編碼成 URL編碼格式,然後做為url的一部分,或者作為引數傳到Request物件中。
Get方式
瀏覽器的url會跳轉成如圖所示:
在其中我們可以看到在請求部分裡,http://www.baidu.com/s?
之後出現一個長長的字串,其中就包含我們要查詢的關鍵詞傳智播客,於是我們可以嘗試用預設的Get方式來發送請求。
# urllib2_get.py
import urllib #負責url編碼處理
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 = urllib2.Request(newurl, headers=headers)
response = urllib2.urlopen(request)
print response.read()
批量爬取貼吧頁面資料
首先我們建立一個python檔案, tiebaSpider.py,我們要完成的是,輸入一個百度貼吧的地址,比如:
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式,來爬取百度LOL吧的所有網頁。
- 先寫一個main,提示使用者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 函式
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型別
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,我們寫一個百度貼吧爬蟲介面,我們需要傳遞3個引數給這個介面, 一個是main裡組合的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去傳送請求
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"
# 組合為完整的 url,並且pn值每次增加50
fullurl = url + "&pn=" + str(pn)
#print fullurl
# 呼叫loadPage()傳送請求獲取HTML頁面
html = loadPage(fullurl, filename)
# 將獲取到的HTML頁面寫入本地磁碟檔案
writeFile(html, filename)
- 我們已經之前寫出一個爬取一個網頁的程式碼。現在,我們可以將它封裝成一個小函式loadPage,供我們使用。
def loadPage(url, filename):
'''
作用:根據url傳送請求,獲取伺服器響應檔案
url:需要爬取的url地址
filename: 檔名
'''
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()
- 最後如果我們希望將爬取到了每頁的資訊儲存在本地磁碟上,我們可以簡單寫一個儲存檔案的介面。
def writeFile(html, filename):
"""
作用:儲存伺服器響應檔案到本地磁碟檔案裡
html: 伺服器響應檔案
filename: 本地磁碟檔名
"""
print "正在儲存" + 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。
POST方式:
上面我們說了Request請求物件的裡有data引數,它就是用在POST裡的,我們要傳送的資料就是這個引數data,data是一個字典,裡面要匹配鍵值對。
有道詞典翻譯網站:
輸入測試資料,再通過使用Fiddler觀察,其中有一條是POST請求,而向伺服器傳送的請求資料並不是在url裡,那麼我們可以試著模擬這個POST請求。
於是,我們可以嘗試用POST方式傳送請求。
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...."}
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()
傳送POST請求時,需要特別注意headers的一些屬性:
Content-Length: 144
: 是指傳送的表單資料長度為144,也就是字元個數是144個。
X-Requested-With: XMLHttpRequest
:表示Ajax非同步請求。
Content-Type: application/x-www-form-urlencoded
: 表示瀏覽器提交 Web 表單時使用,表單資料會按照 name1=value1&name2=value2 鍵值對形式進行編碼。
獲取AJAX載入的內容
有些網頁內容使用AJAX載入,只要記得,AJAX一般返回的是JSON,直接對AJAX地址進行post或get,就返回JSON資料了。
"作為一名爬蟲工程師,你最需要關注的,是資料的來源"
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...."}
# 變動的是這兩個引數,從start開始往後顯示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...."}
# 處理所有引數
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:為什麼有時候POST也能在URL內看到資料?
GET方式是直接以連結形式訪問,連結中包含了所有的引數,伺服器端用Request.QueryString獲取變數的值。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引數,伺服器端用Request.Form獲取提交的資料,在Form提交的時候。但是HTML程式碼裡如果不指定 method 屬性,則預設為GET請求,Form中提交的資料將會附加在url之後,以
?
分開與url分開。表單資料可以作為 URL 欄位(method="get")或者 HTTP POST (method="post")的方式來發送。比如在下面的HTML程式碼中,表單資料將因為 (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,urllib2可以為 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,或者作業系統不信任伺服器的安全證書,比如瀏覽器在訪問12306網站如:https://www.12306.cn/mormhweb/的時候,會警告使用者證書不受信任。(據說 12306 網站證書是自己做的,沒有通過CA認證)
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()
執行結果:
urllib2.URLError: <urlopen error [SSL: CERTIFICATE_VERIFY_FAILED] certificate verify failed (_ssl.c:590)>
所以,如果以後遇到這種網站,我們需要單獨處理SSL證書,讓程式忽略SSL證書驗證錯誤,即可正常訪問。
import urllib
import urllib2
# 1. 匯入Python SSL處理模組
import ssl
# 2. 表示忽略未經核實的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()方法裡 指明新增 context 引數
response = urllib2.urlopen(request, context = context)
print response.read()
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,以防證書被偽造或篡改,以及對證書和金鑰進行管理。
現實生活中可以用身份證來證明身份, 那麼在網路世界裡,數字證書就是身份證。和現實生活不同的是,並不是每個上網的使用者都有數字證書的,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。
普通使用者一般是不需要,因為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資訊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伺服器之間的通訊資料是加密安全的。