（2018-05-17.Python從Zero到One）1、（爬蟲）爬蟲原理與數(shù)據(jù)抓取__1.1.5urllib2默認(rèn)只支持HTTP/HTTPS的GET和POST方法

urllib2默認(rèn)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(guān)模塊，但是提供了不同的功能。兩個(gè)最顯著的不同如下：
  • urllib 僅可以接受URL，不能創(chuàng)建 設(shè)置了headers 的Request 類實(shí)例；
  • 但是 urllib 提供 urlencode 方法用來GET查詢字符串的產(chǎn)生，而 urllib2 則沒有。（這是 urllib 和 urllib2 經(jīng)常一起使用的主要原因）
  • 編碼工作使用urllib的urlencode()函數(shù)，幫我們將key:value這樣的鍵值對轉(zhuǎn)換成"key=value"這樣的字符串，解碼工作可以使用urllib的unquote()函數(shù)。（注意，不是urllib2.urlencode() )
# IPython2 中的測試結(jié)果
In [1]: import urllib

In [2]: word = {"wd" : "傳智播客"}

# 通過urllib.urlencode()方法，將字典鍵值對按URL編碼轉(zhuǎn)換，從而能被web服務(wù)器接受。
In [3]: urllib.urlencode(word)  
Out[3]: "wd=%E4%BC%A0%E6%99%BA%E6%92%AD%E5%AE%A2"

# 通過urllib.unquote()方法，把 URL編碼字符串，轉(zhuǎn)換回原先字符串。
In [4]: print urllib.unquote("wd=%E4%BC%A0%E6%99%BA%E6%92%AD%E5%AE%A2")
wd=傳智播客
一般HTTP請求提交數(shù)據(jù)，需要編碼成 URL編碼格式，然后做為url的一部分，或者作為參數(shù)傳到Request對象中。

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，我們用百度搜索傳智播客：https://www.baidu.com/s?wd=傳智播客

瀏覽器的url會(huì)跳轉(zhuǎn)成如圖所示:

day51_爬蟲-爬蟲原理與數(shù)據(jù)抓取-01.png

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(xiàn)一個(gè)長長的字符串，其中就包含我們要查詢的關(guān)鍵詞傳智播客，于是我們可以嘗試用默認(rèn)的Get方式來發(fā)送請求。

# urllib2_get.py

import urllib      #負(fù)責(zé)url編碼處理
import urllib2

url = "http://www.baidu.com/s"
word = {"wd":"傳智播客"}
word = urllib.urlencode(word) #轉(zhuǎn)換成url編碼格式（字符串）
newurl = url + "?" + word    # url首個(gè)分隔符就是 ?

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(shù)據(jù)

首先我們創(chuàng)建一個(gè)python文件, tiebaSpider.py，我們要完成的是，輸入一個(gè)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(gè)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(gè)規(guī)律。

簡單寫一個(gè)小爬蟲程序，來爬取百度LOL吧的所有網(wǎng)頁。
  • 先寫一個(gè)main，提示用戶輸入要爬取的貼吧名，并用urllib.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 
# 模擬 main 函數(shù)
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(zhuǎn)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(gè)百度貼吧爬蟲接口，我們需要傳遞3個(gè)參數(shù)給這個(gè)接口， 一個(gè)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。
def tiebaSpider(url, beginPage, endPage):
    """
        作用：負(fù)責(zé)處理url，分配每個(gè)url去發(fā)送請求
        url：需要處理的第一個(gè)url
        beginPage: 爬蟲執(zhí)行的起始頁面
        endPage: 爬蟲執(zhí)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50
        fullurl = url + "&pn=" + str(pn)
        #print fullurl

        # 調(diào)用loadPage()發(fā)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(jīng)之前寫出一個(gè)爬取一個(gè)網(wǎng)頁的代碼?，F(xiàn)在，我們可以將它封裝成一個(gè)小函數(shù)loadPage，供我們使用。
def loadPage(url, filename):
    '''
        作用：根據(jù)url發(fā)送請求，獲取服務(wù)器響應(yīng)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(chǔ)在本地磁盤上，我們可以簡單寫一個(gè)存儲(chǔ)文件的接口。
def writeFile(html, filename):
    """
        作用：保存服務(wù)器響應(yīng)文件到本地磁盤文件里
        html: 服務(wù)器響應(yīng)文件
        filename: 本地磁盤文件名
    """
    print "正在存儲(chǔ)" + filename
    with open(filename, 'w') as f:
        f.write(html)
    print "-" * 20

其實(shí)很多網(wǎng)站都是這樣的，同類網(wǎng)站下的html頁面編號，分別對應(yīng)網(wǎng)址后的網(wǎng)頁序號，只要發(fā)現(xiàn)規(guī)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(gè)參數(shù)data，data是一個(gè)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(gè)POST請求。

day51_爬蟲-爬蟲原理與數(shù)據(jù)抓取-02.png

于是，我們可以嘗試用POST方式發(fā)送請求。

import urllib
import urllib2

# 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...."}

formdata = {
    "type":"AUTO",
    "i":"i love python",
    "doctype":"json",
    "xmlVersion":"1.8",
    "keyfrom":"fanyi.web",
    "ue":"UTF-8",
    "action":"FY_BY_ENTER",
    "typoResult":"true"
}

data = urllib.urlencode(formdata)

request = urllib2.Request(url, data = data, headers = headers)
response = urllib2.urlopen(request)
print response.read()
發(fā)送POST請求時(shí)，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(gè)數(shù)是144個(gè)。

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(shí)使用，表單數(shù)據(jù)會(huì)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"

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(dòng)的是這兩個(gè)參數(shù)，從start開始往后顯示limit個(gè)
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(shù)
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(shí)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(huì)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(shí)候。但是HTML代碼里如果不指定 method 屬性，則默認(rèn)為GET請求，F(xiàn)orm中提交的數(shù)據(jù)將會(huì)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>
day51_爬蟲-爬蟲原理與數(shù)據(jù)抓取-03.png

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，urllib2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(shí)候，會(huì)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）

day51_爬蟲-爬蟲原理與數(shù)據(jù)抓取-04.png

urllib2在訪問的時(shí)候則會(huì)報(bào)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(yùn)行結(jié)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(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(cuò)誤，即可正常訪問。

import urllib
import urllib2
# 1\. 導(dǎo)入Python SSL處理模塊
import ssl

# 2\. 表示忽略未經(jīng)核實(shí)的SSL證書認(rèn)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(shù)
response = urllib2.urlopen(request, context = context)

print response.read()

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(gè)上網(wǎng)的用戶都有數(shù)字證書的，往往只有當(dāng)一個(gè)人需要證明自己的身份的時(shí)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(huì)主動(dòng)出示自己的數(shù)字證書，來確?？蛻舳撕途W(wǎng)站服務(wù)器之間的通信數(shù)據(jù)是加密安全的。

?著作權(quán)歸作者所有,轉(zhuǎn)載或內(nèi)容合作請聯(lián)系作者
【社區(qū)內(nèi)容提示】社區(qū)部分內(nèi)容疑似由AI輔助生成，瀏覽時(shí)請結(jié)合常識(shí)與多方信息審慎甄別。
平臺(tái)聲明：文章內(nèi)容（如有圖片或視頻亦包括在內(nèi)）由作者上傳并發(fā)布，文章內(nèi)容僅代表作者本人觀點(diǎn)，簡書系信息發(fā)布平臺(tái)，僅提供信息存儲(chǔ)服務(wù)。

相關(guān)閱讀更多精彩內(nèi)容

友情鏈接更多精彩內(nèi)容