urllib.urlencode()

urllib和urllib2都是接受URL請求的相關(guān)參數(shù)，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提供了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urllib.urlencode())

#-*- coding:utf-8 -*- #06.urllib2_urlencode.py import urllib2 import urllibword = {"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 encode = urllib.urlencode(word)print(encode) #通過urllib.unquote()方法，把URL編碼字符串，轉(zhuǎn)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(shù)據(jù)，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(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會跳轉(zhuǎn)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(xiàn)一個(gè)長長的字符串，其中就包含我門要查詢的關(guān)鍵詞傳智播客，于是我們可以嘗試使用默認(rèn)的Get方式來發(fā)送請求。

#-*- coding:utf-8 -*- #07.urllib2_get.pyimport urllib import urllib2url = "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 + "?" + wordheaders = {"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](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(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，來爬蟲百度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=lolurl = url + keytiebaSpider(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(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)urlbeginPage: 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) * 50filename = "第" + str(page) + "頁.html"# 組合為完整的 url，并且pn值每次增加50fullurl = 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，我們可以把它封裝成一個(gè)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" + filenameheaders = {"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(gè)存儲文件的接口。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" + filenamewith 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請求對象里有data參數(shù)，它就是用在POST里，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。
于是，我們可以嘗試用POST方式發(fā)送請求。

#-*- coding:utf-8 -*- #09.urllib2_post.pyimport 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...."}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(fā)送POST請求時(shí)，需要特別注意headers的一些屬性：

Content-Length：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：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)，表單數(shù)據(jù)會按照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(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方式是以直接以鏈接形式訪問，鏈接中包含了所有參數(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，Form中提交的數(shù)據(jù)將會附加在url之后，以?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>

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/...
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/normhweb/"的時(shí)候，會警告用戶證書不受信任。(據(jù)說 12306網(wǎng)絡(luò)證書是自己的，沒有通過CA認(rèn)證)
urllib2在訪問的時(shí)候則會報(bào)出SSLError:

import urllib2url = "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()

?

轉(zhuǎn)載于:https://www.cnblogs.com/moying-wq/p/11569810.html

總結(jié)

以上是生活随笔為你收集整理的Python爬虫(三)_urllib2:get和post请求的全部內(nèi)容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網(wǎng)站內(nèi)容還不錯(cuò)，歡迎將生活随笔推薦給好友。