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默認只支持HTTP/HTTPS的GET和POST方法

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 urllib

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請求一般用於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，於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.py

import urllib
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(字符串)

newurl = url + "?" + word

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，並用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=lol
    url = url + key
    tiebaSpider(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

        # 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" + 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" + 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並不是在url里，那么我們可以試着模擬這個POST請求。

於是，我們可以嘗試用POST方式發送請求。

#-*- coding:utf-8 -*-
#09.urllib2_post.py

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...."}

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。

• POST則不會在網址上顯示所有的參數，服務器端用Request.Form獲取提交的數據，在Form提交的時候。但是HTML代碼里如果不指定method屬性，則默認為GET請求，Form中提交的數據將會附加在url之后，以?與url分開

• 表單數據可以作為URL字段(method="get")或者HTTP POST(method="post")的方式來發送。比如在下面的HTML代碼中，表單數據將因為(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/...
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 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())

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()

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，以及對證書和密鑰進行管理。

現實生活中可以用身份證來證明身份， 那么在網絡世界里，數字證書就是身份證。和現實生活不同的是，並不是每個上網的用戶都有數字證書的，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。

普通用戶一般是不需要，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信息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服務器之間的通信數據是加密安全的。

參考

1. 破解有道翻譯反爬蟲機制
2. 瀏覽器驗證網站數字證書的流程