Python爬虫入门之四urllib-GET与POST请求
urllib默認(rèn)只支持HTTP/HTTPS的GET和POST方法
GET方式
GET請求一般用于我們向服務(wù)器獲取數(shù)據(jù)，比如說，我們用百度搜索django,瀏覽器url會跳轉(zhuǎn)成如下所示:
https://www.baidu.com/s?wd=django
在其中我們可以看到在請求部分里，http://www.baidu.com/s? 之后出現(xiàn)一個長長的字符串，其中就包含我們要查詢的關(guān)鍵詞django，于是我們可以嘗試用默認(rèn)的Get方式來發(fā)送請求:
# urllib_get.pyimport urllib.request import urllib.parse # 負(fù)責(zé)url編碼處理url = "http://www.baidu.com/s"keyword = input("請輸入需要查詢的字符串:")wd = {"wd": keyword}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" }# 通過urllib.parse.urlencode()轉(zhuǎn)換成url編碼格式(字符串) 參數(shù)是一個dict類型 wd = urllib.parse.urlencode(wd)# 拼接完整的url fullurl = url + "?" + wd# 輸出url print(fullurl)# 構(gòu)造請求對象 request = urllib.request.Request(fullurl, headers = headers)response = urllib.request.urlopen(request)print(response.read().decode('utf-8'))批量爬取貼吧頁面數(shù)據(jù)
首先我們創(chuàng)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(fā)現(xiàn)規(guī)律了吧，貼吧中每個頁面不同之處，就是url最后的pn的值，其余的都是一樣的，我們可以抓住這個規(guī)律。
簡單寫一個小爬蟲程序，來爬取百度LOL吧的所有網(wǎng)頁。
- 先寫一個main，提示用戶輸入要爬取的貼吧名，并用urllib.parse.urlencode()進(jìn)行轉(zhuǎn)碼，然后組合url，假設(shè)是lol吧，那么組合后的url就是：http://tieba.baidu.com/f?kw=lol
- 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(shù)給這個接口， 一個是main里組合的url地址，以及起始頁碼和終止頁碼，表示要爬取頁碼的范圍。
- 我們已經(jīng)之前寫出一個爬取一個網(wǎng)頁的代碼。現(xiàn)在，我們可以將它封裝成一個小函數(shù)loadPage，供我們使用。
- 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，我們可以簡單寫一個存儲文件的接口。
POST方式
上面我們說了Request請求對象的里有data參數(shù)，它就是用在POST里的，我們要傳送的數(shù)據(jù)就是這個參數(shù)data，data是一個字典，里面要匹配鍵值對。
有道詞典翻譯網(wǎng)站
輸入測試數(shù)據(jù)，再通過使用Fiddler觀察，其中有一條是POST請求，而向服務(wù)器發(fā)送的請求數(shù)據(jù)并不是在url里，那么我們可以試著模擬這個POST請求。
注:fiddler(抓包工具)具體使用請大家自行學(xué)習(xí)
接下來,我們可以嘗試用POST方式發(fā)送請求。
import urllib.request import urllib.parse# 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/5.0 (compatible; MSIE 9.0; Windows NT 6.1; Trident/5.0;"}formdata = {"type":"AUTO","i":"i love python","doctype":"json","xmlVersion":"1.8","keyfrom":"fanyi.web","ue":"UTF-8","action":"FY_BY_ENTER","typoResult":"true" }# POST數(shù)據(jù)應(yīng)該是字節(jié)、可迭代的字節(jié)或文件對象。它不能是str類型。 data = urllib.parse.urlencode(formdata).encode('utf-8')request = urllib.request.Request(url, data = data, headers = headers) response = urllib.request.urlopen(request) print(response.read().decode('utf-8'))發(fā)送POST請求時，需要特別注意headers的一些屬性：
Content-Length: 144： 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。X-Requested-With: XMLHttpRequest ：表示Ajax異步請求。Content-Type: application/x-www-form-urlencoded ： 表示瀏覽器提交 Web 表單時使用，表單數(shù)據(jù)會按照 name1=value1&name2=value2 鍵值對形式進(jìn)行編碼。獲取AJAX加載的內(nèi)容
有些網(wǎng)頁內(nèi)容使用AJAX加載，只要記得，AJAX一般返回的是JSON,直接對AJAX地址進(jìn)行post或get，就返回JSON數(shù)據(jù)了。
"作為一名爬蟲工程師，你最需要關(guān)注的，是數(shù)據(jù)的來源"
問題：為什么有時候POST也能在URL內(nèi)看到數(shù)據(jù)？
GET方式是直接以鏈接形式訪問，鏈接中包含了所有的參數(shù)，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，不過你可以直觀地看到自己提交了什么內(nèi)容。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)，在Form提交的時候。但是HTML代碼里如果不指定 method 屬性，則默認(rèn)為GET請求，Form中提交的數(shù)據(jù)將會附加在url之后，以?分開與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，表單數(shù)據(jù)將因?yàn)?（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(yàn)證
現(xiàn)在隨處可見 https 開頭的網(wǎng)站，urllib可以為 HTTPS 請求驗(yàn)證SSL證書，就像web瀏覽器一樣，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，如：https://www.baidu.com/等...
如果SSL證書驗(yàn)證不通過，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/mormhweb/的時候，會警告用戶證書不受信任。（據(jù)說 12306 網(wǎng)站證書是自己做的，沒有通過CA認(rèn)證）
例如,urllib在訪問未驗(yàn)證ssl證書的網(wǎng)站的時候則會報出SSLError：
import urllib.request import ssl# 處理HTTPS請求 SSL證書驗(yàn)證 忽略認(rèn)證 比如12306 網(wǎng)站 url = "https://www.12306.cn/mormhweb/" headers = {"User-Agent": "Mozilla/5.0 (Macintosh; Intel Mac OS X 10_7_0) AppleWebKit/535.11 (KHTML, like Gecko) Chrome/17.0.963.56 Safari/535.11"}request = urllib.request.Request(url, headers=header) res = urllib.request.urlopen(request)會報錯
ssl.CertificateError: hostname 'www.12306.cn' doesn't match either of 'webssl.所以，如果以后遇到這種網(wǎng)站，我們需要單獨(dú)處理SSL證書，讓程序忽略SSL證書驗(yàn)證錯誤，即可正常訪問。
import urllib.request # 1. 導(dǎo)入Python SSL處理模塊 import ssl# 處理HTTPS請求 SSL證書驗(yàn)證 忽略認(rèn)證 比如12306 網(wǎng)站 url = "https://www.12306.cn/mormhweb/" headers = {"User-Agent": "Mozilla/5.0 (Macintosh; Intel Mac OS X 10_7_0) AppleWebKit/535.11 (KHTML, like Gecko) Chrome/17.0.963.56 Safari/535.11"}request = urllib.request.Request(url, headers=header)# 2. 表示忽略未經(jīng)核實(shí)的SSL證書認(rèn)證 context = ssl._create_unverified_context()# 3. 在urlopen()方法里 指明添加 context 參數(shù) res = urllib.request.urlopen(request, context=context) print(res.read().decode("utf8"))關(guān)于CA
CA(Certificate Authority)是數(shù)字證書認(rèn)證中心的簡稱，是指發(fā)放、管理、廢除數(shù)字證書的受信任的第三方機(jī)構(gòu)，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，并簽發(fā)證書，以防證書被偽造或篡改，以及對證書和密鑰進(jìn)行管理。
現(xiàn)實(shí)生活中可以用身份證來證明身份， 那么在網(wǎng)絡(luò)世界里，數(shù)字證書就是身份證。和現(xiàn)實(shí)生活不同的是，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。
普通用戶一般是不需要，因?yàn)榫W(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。但是反過來，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，比如你想訪問的是www.baidu.com，但其實(shí)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(yàn)證一下網(wǎng)站的身份，要求網(wǎng)站出示數(shù)字證書。
一般正常的網(wǎng)站都會主動出示自己的數(shù)字證書，來確保客戶端和網(wǎng)站服務(wù)器之間的通信數(shù)據(jù)是加密安全的。
轉(zhuǎn)載于:https://www.cnblogs.com/qiuhengg/p/10014087.html
總結(jié)
以上是生活随笔為你收集整理的Python爬虫入门之四urllib-GET与POST请求的全部內(nèi)容，希望文章能夠幫你解決所遇到的問題。
- 上一篇： Django组件-中间件
- 下一篇： Flutter - 弹出底部菜单Show