urllib.urlencode()
urllib和urllib2都是接受URL請求的相關參數，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，不能創建設置了headers的Request類實例；
- 但是urllib提供了urlencode方法用來GET查詢字符串的產生，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()函數，幫我們將key:value這樣的鍵值對轉換成"key=value"這樣的字符串，解碼工作可以使用urllib的unquote()函數。(注意，不是urllib.urlencode())
#-*- coding:utf-8 -*-
#06.urllib2_urlencode.py
import urllib2
import urllibword = {
"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服務器接受
encode =
urllib.urlencode(word)print(encode)
#通過urllib.unquote()方法，把URL編碼字符串，轉換回原始字符串print(urllib.unquote(
"wd=%E4%BC%A0%E6%99%BA%E6%92%AD%E5%AE%A2"))
一般HTTP請求提交數據，需要編碼成URL編碼格式，然后作為url的一部分，或者作為參數傳到Request對象中。
Get方式
Get請求一般用于我們向服務器獲取數據，比如說，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，http://www.baidu.com/s之后出現一個長長的字符串，其中就包含我門要查詢的關鍵詞傳智播客，于是我們可以嘗試使用默認的Get方式來發送請求。
#-*- coding:utf-8 -*-
#07.urllib2_get.pyimport urllib
import urllib2url =
"http://www.baidu.com/s"
word = {
"wd":
"傳智播客"}
word = urllib.urlencode(word)
#轉換成url編碼格式(字符串)
newurl = url +
"?" +
wordheaders = {
"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據
首先我們創建一個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](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
發現規律了吧，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律。
簡單寫一個小爬蟲程序，來爬蟲百度LOL吧的所有網頁
- 先寫一個main，提示用戶輸入要爬取的貼吧名，并用urllib.urlencode()進行轉碼，然后組合url，假設是lol吧，那么組合的url就是: http://tieba.baidu.com/f?kw=lol
# 模擬 main 函數
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=lolurl = url +
keytiebaSpider(url, beginPage, endPage)接下來，我們寫一個百度貼吧爬蟲接口，我們需要傳遞3個參數給這個接口，一個是main里組合url地址，以及起始頁和終止頁碼，表示要爬取頁碼的范圍。def tiebaSpider(url, beginPage, endPage):"""作用：負責處理url，分配每個url去發送請求url：需要處理的第一個urlbeginPage: 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，并且pn值每次增加50fullurl = url +
"&pn=" +
str(pn)#print fullurl# 調用loadPage()發送請求獲取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)我們已經之前寫出一個爬取一個網頁的代碼。現在，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url發送請求，獲取服務器響應文件url：需要爬取的url地址filename: 文件名'''print "正在下載" +
filenameheaders = {
"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，我們可以簡單寫一個存儲文件的接口。def writeFile(html, filename):"""作用：保存服務器響應文件到本地磁盤文件里html: 服務器響應文件filename: 本地磁盤文件名"""print "正在存儲" +
filenamewith 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，分別對應網址后的網頁序號，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請求對象里有data參數，它就是用在POST里，我們要傳送的數據就是這個參數data，data是一個字典，里面要匹配鍵值對。
有道詞典翻譯網站：
輸入測試數據，再通過使用Fiddler觀察，其中有一條是POST請求，而向服務器發送的請求數據并不是在url里，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方式發送請求。
#-*- coding:utf-8 -*-
#09.urllib2_post.pyimport 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...."}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())
發送POST請求時，需要特別注意headers的一些屬性：
Content-Length：是指發送的表單數據長度為144，也就是字符個數是144個；
X-Requested-With：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，表單數據會按照name1=value1&name2=value2鍵值對形式進行編碼。
獲取AJAX加載的內容
有些網頁內容使用AJAX加載，只要記得，AJAX一般返回的是JSON，直接對AJAX地址進行post或get,就返回JSON數據了。
"作為一名爬蟲工程師，你最需要關注的，是數據的來源了。"
#-*- 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，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
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內看到數據?
- GET方式是以直接以鏈接形式訪問，鏈接中包含了所有參數，服務器端用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容。
<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/...
如果SSL證書驗證不通過，或者操作系統不信任服務器的安全證書，比如瀏覽器在訪問12306網站如:"https://www.12306.cn/normhweb/"的時候，會警告用戶證書不受信任。(據說 12306網絡證書是自己的，沒有通過CA認證)
urllib2在訪問的時候則會報出SSLError:
import urllib2url =
"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站，我們需要單獨處理SSL證書，讓程序忽略SSL證書驗證錯誤，即可正常訪問。
import urllib
import urllib2
# 1. 導入Python SSL處理模塊
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()方法里 指明添加 context 參數
response = urllib2.urlopen(request, context =
context)print response.read()
?
轉載于:https://www.cnblogs.com/moying-wq/p/11569810.html
總結
以上是生活随笔為你收集整理的Python爬虫(三)_urllib2:get和post请求的全部內容，希望文章能夠幫你解決所遇到的問題。
如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。
