2. 程式人生 > >爬蟲原理與資料抓取----- urllib2：GET請求和POST請求

爬蟲原理與資料抓取----- urllib2：GET請求和POST請求

阿新 • • 發佈：2018-12-15

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。

相關推薦

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

爬蟲（一）：爬蟲原理與資料抓取

1.通用爬蟲和聚焦爬蟲 根據使用場景，網路爬蟲可分為 通用爬蟲 和 聚焦爬蟲 兩種. 通用爬蟲 通用網路爬蟲 是 捜索引擎抓取系統（Baidu、Google、Yahoo等）的重要組成部分。主要目的是將網際網路上的網頁下載到本地，形成一個網際網路內容的映象備份 聚焦爬蟲

爬蟲原理與資料抓取-----HTTP和HTTPS的請求與響應

HTTP和HTTPS HTTP協議（HyperText Transfer Protocol，超文字傳輸協議）：是一種釋出和接收 HTML頁面的方法。 HTTPS（Hypertext Transfer Protocol over Secure Socket Layer）簡單講是HTTP的安全版，在HTTP下加入

爬蟲—01-爬蟲原理與資料抓取

爬蟲的更多用途 12306搶票 網站上的頭票 簡訊轟炸 關於Python網路爬蟲，我們需要學習的有： Python基礎語法學習（基礎知識） 對HTML頁面的內容抓取（資料抓取） 對HTML頁面的資料提取（資料提取） Scrapy框架以及scrapy-redis分散式策略（第三方框架） 爬蟲(Spider

爬蟲（抓取靜態頁面和動態頁面的區別，get請求和post請求的區別）

靜態頁面： 非結構化資料：HTML 處理方式：正則表示式，xpath, beautifulsoup4 靜態頁面中的資料都包含在網頁的HTML中（一般都是get請求） 所以可以直接在網頁的HTML中提取資料 關鍵詞一般都以查詢字串的方式拼接在URL中 分析URL的變

Python爬蟲：Scrapy的get請求和post請求

scrapy 請求繼承體系 Request |-- FormRequest 通過以下請求測試 GET: https://httpbin.org/get POST: https://httpbin.org/post get請求 方式：通過Request 傳送 im

python爬蟲(五)_urllib2:Get請求和Post請求

  本篇將介紹urllib2的Get和Post方法，更多內容請參考:python學習指南 urllib2預設只支援HTTP/HTTPS的GET和POST方法 urllib.urlencode() urllib和urllib2都是接受URL請求的相關引數，但是提供了不

GET請求和POST請求有什麼區別？GET請求的引數在URL的問號後面顯示，而POST引數不在URL上；POST可以比GET請求更大的資料…一般的回答都是這樣。 但是作為一個高階大氣上檔次的程式

GET請求和POST請求有什麼區別？GET請求的引數在URL的問號後面顯示，而POST引數不在URL上；POST可以比GET請求更大的資料…一般的回答都是這樣。 但是作為一個高階大氣上檔次的程式設計師，這樣回答就弱爆了。 為了搞清楚GET和POST的區別，下面寫了

對於Servlet的get請求和post請求的兩種資料請求的編碼格式

@WebServlet(name = "EncodingServlet",urlPatterns = "/e/es") public class EncodingServlet extends Http

面試題 —— HTTP請求中get請求和post請求的區別以及底層原理

GET和POST是HTTP請求的兩種基本方法，要說它們的區別，接觸過WEB開發的人都能說出一二。 最直觀的區別就是GET把引數包含在URL中，POST通過request body傳遞引數。 你可能自己寫過無數個GET和POST請求，或者已經看過很多權威網站總結出的

Python開發簡單爬蟲之靜態網頁抓取篇：爬取“豆瓣電影 Top 250”電影數據

模塊 歲月 python開發 IE 女人 bubuko status 公司 使用 目標：爬取豆瓣電影TOP250的所有電影名稱，網址為：https://movie.douban.com/top250 1）確定目標網站的請求頭： 打開目標網站，在網頁空白處點擊鼠標右鍵，

scrapy安裝與資料抓取

scrapy安裝 pip install Scrapy 如果需要vs c++的話可能是因為要用到twisted，可以到 https://www.lfd.uci.edu/~gohlke/pythonlibs/ 下載，然後在本地下載的目錄下在位址列輸入cmd，然後pip

爬蟲原理與數據抓取-----（了解）通用爬蟲和聚焦爬蟲

網頁 特殊 mon 相關 百度 engine links 標準 數據抓取 通用爬蟲和聚焦爬蟲 根據使用場景，網絡爬蟲可分為 通用爬蟲 和 聚焦爬蟲 兩種. 通用爬蟲 通用網絡爬蟲 是 捜索引擎抓取系統（Baidu、Google、Yahoo等）的重要組成部分。主要目的是將互聯

爬蟲原理與數據抓取----- Requests模塊

頭部 技術 error 存在 python-re 繼承 .cn clas enter Requests: 讓 HTTP 服務人類 雖然Python的標準庫中 urllib2 模塊已經包含了平常我們使用的大多數功能，但是它的 API 使用起來讓人感覺不太好，而 Request

Python爬蟲：十分鐘實現從資料抓取到資料API提供

  依舊先從爬蟲的基本概念說起，你去做爬蟲做資料抓取，第一件事想必是去檢視目標網站是否有api。有且可以使用的話，皆大歡喜。   假如目標網站自身不提供api，但今天你心情不好就想用api來抓資料，那

資料抓取之反爬蟲規則：使用代理和http頭資訊

之前說個數據抓取遇到的一個坎就是驗證碼，這次來說另外兩個。我們知道web系統可以拿到客戶請求資訊，那麼針對客戶請求的頻率，客戶資訊都會做限制。如果一個ip上的客戶訪問過於頻繁，或者明顯是用程式抓取，肯定是要禁止的。本文針對這兩個問題說下解決方法。 其實針對上述兩個問題，解決方法已經很成熟了，無非就是買代理和

Python3.7 爬蟲（二）使用 Urllib2 與 BeautifulSoup4 抓取解析網頁

開篇 上一篇中我們通過原生的 re 模組已經完成了網頁的解析，對於熟悉正則表示式的童鞋來說很好上手，但是對於萌新來說，還是有一定難度以及複雜度的，那麼這裡我們就來使用第三方解析包來解析獲取到的網頁吧。 BeautifulSoup 官方的 Beaut

Python3網路爬蟲：今日頭條新聞App的廣告資料抓取

咱們就不說廢話了，直接上完整的原始碼def startGetData(self): ret = random.randint(2, 10) index = 0 url = "" while index < ret: if index ==

Python爬蟲新手教程：微醫掛號網醫生資料抓取

1. 寫在前面 今天要抓取的一個網站叫做微醫網站，地址為 https://www.guahao.com ，我們將通過python3

Python爬蟲新手教程：手機APP資料抓取 pyspider

1. 手機APP資料----寫在前面 繼續練習pyspider的使用，最近搜尋了一些這個框架的一些使用技巧，發現文件竟然挺難理解的