标签:提交数据 自己的 tar like eth 简单 一起 实例 序号
urllib和urllib2都是接受URL请求的相关参数,但是提供了不同的功能。两个最显著的不同如下:
- urllib仅可以接受URL,不能创建设置了headers的Request类实例;
- 但是urllib提供了
urlencode
方法用来GET查询字符串的产生,而urllib2则没有。(这是urllib和urllib2经常一起使用的主要原因)
- 编码工作使用urllib的
urlencode()
函数,帮我们将key:value
这样的键值对转换成"key=value"
这样的字符串,解码工作可以使用urllib的unquote()
函数。(注意,不是urllib.urlencode())
#-*- coding:utf-8 -*- #06.urllib2_urlencode.py import urllib2 import urllib word = {"wd":"传智播客"} #通过urllib.urlencode()方法,将字典键值对按URL编码转换,从而能被web服务器接受 encode = urllib.urlencode(word) print(encode) #通过urllib.unquote()方法,把URL编码字符串,转换回原始字符串 print(urllib.unquote("wd=%E4%BC%A0%E6%99%BA%E6%92%AD%E5%AE%A2"))
一般HTTP请求提交数据,需要编码成URL编码格式,然后作为url的一部分,或者作为参数传到Request对象中。
Get请求一般用于我们向服务器获取数据,比如说,我们用百度搜索传智播客
;https://www.baidu.com/s?wd=传智播客
浏览器的url会跳转如图所示
https://www.baidu.com/s?wd=%E4%BC%A0%E6%99%BA%E6%92%AD%E5%AE%A2
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,其中就包含我门要查询的关键词传智播客,于是我们可以尝试使用默认的Get方式来发送请求。
#-*- coding:utf-8 -*- #07.urllib2_get.py import urllib import urllib2 url = "http://www.baidu.com/s" word = {"wd":"传智播客"} word = urllib.urlencode(word) #转换成url编码格式(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())
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](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](http://tieba.baidu.com/f?kw=lol&ie=utf-8&pn=50
第二页:[http://tieba.baidu.com/f?kw=lol&ie=utf-8&pn=100](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,来爬虫百度LOL吧的所有网页
http://tieba.baidu.com/f?kw=lol
# 模拟 main 函数 if __name__ == "__main__": kw = raw_input("请输入需要爬取的贴吧:") # 输入起始页和终止页,str转成int类型 beginPage = int(raw_input("请输入起始页:")) endPage = int(raw_input("请输入终止页:")) url = "http://tieba.baidu.com/f?" key = urllib.urlencode({"kw" : kw}) # 组合后的url示例:http://tieba.baidu.com/f?kw=lol 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url地址,以及起始页和终止页码 ,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: 爬虫执行的起始页面 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) #print fullurl # 调用loadPage()发送请求获取HTML页面 html = loadPage(fullurl, filename) # 将获取到的HTML页面写入本地磁盘文件 writeFile(html, filename) 我们已经之前写出一个爬取一个网页的代码。现在,我们可以把它封装成一个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:需要爬取的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 = urllib2.Request(url, headers = headers) response = urllib2.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: f.write(html) 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。
上面我们说了Request请求对象里有data参数,它就是用在POST里,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。
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。
于是,我们可以尝试用POST方式发送请求。
#-*- coding:utf-8 -*- #09.urllib2_post.py import urllib import urllib2 #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...."} 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())
发送POST请求时,需要特别注意headers的一些属性:
Content-Length
: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
: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,表单数据会按照name1=value1&name2=value2键值对形式进行编码。
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...."} # 变动的是这两个参数,从start开始往后显示limit个 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...."} # 处理所有参数 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()
- GET方式是以直接以链接形式访问,链接中包含了所有参数,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?
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>
现在随处可见https开头的网站,urllib2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/
...
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/normhweb/"的时候,会警告用户证书不受信任。(据说 12306网络证书是自己的,没有通过CA认证)
urllib2在访问的时候则会报出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())
运行结果:
urllib2.URLError: <urlopen error [SSL: CERTIFICATE_VERIFY_FAILED] certificate verify failed (_ssl.c:590)>
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 import urllib2 # 1. 导入Python SSL处理模块 import ssl # 2. 表示忽略未经核实的SSL证书认证 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 参数 response = urllib2.urlopen(request, context = context) print response.read()
Python爬虫(三)_urllib2:get和post请求
标签:提交数据 自己的 tar like eth 简单 一起 实例 序号
原文地址:https://www.cnblogs.com/moying-wq/p/11569810.html