Python爬虫入门之四urllib-GET与POST请求

Posted 2020-12-26 woyouyihujiu

urllib默认只支持HTTP/HTTPS的GET和POST方法

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django,浏览器url会跳转成如下所示:
https://www.baidu.com/s?wd=django

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django，于是我们可以尝试用默认的Get方式来发送请求:

# urllib_get.py

import urllib.request
import urllib.parse # 负责url编码处理

url = "http://www.baidu.com/s"

keyword = input("请输入需要查询的字符串:")

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"
}

# 通过urllib.parse.urlencode()转换成url编码格式(字符串) 参数是一个dict类型
wd = urllib.parse.urlencode(wd)

# 拼接完整的url
fullurl = url + "?" + wd

# 输出url
print(fullurl)

# 构造请求对象
request = urllib.request.Request(fullurl, headers = headers)

response = urllib.request.urlopen(request)

print(response.read().decode(‘utf-8‘))

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.parse.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 = input("请输入要爬取的贴吧:")

    #  输入起始页和终止页,str转换为int类型
    beginPage = int(input("请输入起始页:"))
    endPage = int(input("请输入终止页:"))

    url = "http://tieba.baidu.com/f?"
    key = urllib.parse.urlencode({"kw": kw})

    # 组合url
    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:爬虫执行的初始页面
        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)

        # 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
        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:需要爬去的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 = urllib.request.Request(url, headers=headers)
    response = urllib.request.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:
        # 将爬取的html编码为‘utf-8‘类型的字符串
        f.write(html.decode(‘utf-8‘))
    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。

注:fiddler(抓包工具)具体使用请大家自行学习

接下来,我们可以尝试用POST方式发送请求。

import urllib.request
import urllib.parse

# 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/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数据应该是字节、可迭代的字节或文件对象。它不能是str类型。
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‘))

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"

# 获取豆瓣后台数据
import urllib.request
import urllib.parse

# demo1
url = "https://movie.douban.com/j/chart/top_list?type=11&interval_id=100%3A90&action"

headers={"User-Agent": "Mozilla/5.0 (compatible; MSIE 9.0; Windows NT 6.1; Trident/5.0;"}

# 变动的是这两个参数，从start开始往后显示limit个
formdata = {
    ‘start‘:‘0‘,
    ‘limit‘:‘10‘
}

# POST数据应该是字节、可迭代的字节或文件对象。它不能是str类型。
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‘))

# 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.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‘))

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>

处理HTTPS请求 SSL证书验证

现在随处可见 https 开头的网站，urllib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）

例如,urllib在访问未验证ssl证书的网站的时候则会报出SSLError：

import urllib.request
import ssl

# 处理HTTPS请求 SSL证书验证 忽略认证 比如12306 网站
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)

会报错

ssl.CertificateError: hostname ‘www.12306.cn‘ doesn‘t match either of ‘webssl.

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.request
# 1. 导入Python SSL处理模块
import ssl

# 处理HTTPS请求 SSL证书验证 忽略认证 比如12306 网站
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. 表示忽略未经核实的SSL证书认证
context = ssl._create_unverified_context()

# 3. 在urlopen()方法里 指明添加 context 参数
res = urllib.request.urlopen(request, context=context)
print(res.read().decode("utf8"))

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。