失眠网 > Python爬虫入门之四urllib-GET与POST请求

Python爬虫入门之四urllib-GET与POST请求

时间：2022-06-11 18:21:54

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:

/s?wd=django

在其中我们可以看到在请求部分里，/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.pyimport urllib.requestimport urllib.parse # 负责url编码处理url = "/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urlfullurl = url + "?" + wd# 输出urlprint(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：/f?kw=lol&ie=utf-8&pn=0

第二页： /f?kw=lol&ie=utf-8&pn=50

第三页： /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：/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 = "/f?"key = urllib.parse.urlencode({"kw": kw})# 组合urlurl = url + keytiebaSpider(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urlbeginPage: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) *50filename = "第" + str(page) + "页.html"# 组合为完整的url,并且pn值每次增加50fullurl = 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.requestimport urllib.parse# POST请求的目标URLurl = "/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.requestimport urllib.parse# demo1url = "/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'))# demo2url = "/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：/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：/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.requestimport ssl# 处理HTTPS请求 SSL证书验证忽略认证比如12306 网站url = "/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 '' 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 = "/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"))