爬虫连串,python爬虫入门

爬虫简介

 什么是爬虫?

爬虫:就是抓取网页数据的次第。

HTTP和HTTPS

HTTP协议(HyperText Transfer
Protocol,超文本传输协议):是一种发布和选拔 HTML页面包车型客车格局。

HTTPS(Hypertext Transfer Protocol over Secure Socket
Layer)简单讲是HTTP的安全版,在HTTP下进入SSL层。

SSL(Secure Sockets Layer
避孕套接层)主要用于Web的安全传输协议,在传输层对互联网连接实行加密,保证在Internet上多少传输的达州。

浏览器发送HTTP请求的长河:

  1. 当用户在浏览器的地方栏中输入多少个URAV4L并按回车键之后,浏览器会向HTTP服务器发送HTTP请求。HTTP请求首要分为“Get”和“Post”三种格局。

  2. 当大家在浏览器输入U奥迪Q5L  的时候,浏览器发送叁个Request请求去取得  的html文件,服务器把Response文件对象发送回给浏览器。

  3. 浏览器分析Response中的
    HTML,发现内部引用了成千成万任何文件,比如Images文件,CSS文件,JS文件。
    浏览器会活动重新发送Request去得到图片,CSS文件,或许JS文件。

  4. 当有着的文本都下载成功后,网页会根据HTML语法结构,完整的显示出来了。

URL(Uniform / Universal Resource
Locator的缩写)

概念:统一财富定位符,是用来完整地描述Internet上网页和任何能源的地方的一种标识方法。

中央格式:scheme://host[:port#]/path/…/[?query-string][#anchor]

  • scheme:协议(例如:http, https, ftp)
  • host:服务器的IP地址或然域名
  • port#:服务器的端口(假设是走协议暗中同意端口,缺省端口80)
  • path:访问财富的路径
  • query-string:参数,发送给http服务器的数码
  • anchor:锚(跳转到网页的内定锚点地点)

客户端HTTP请求

U卡宴L只是标识能源的地方,而HTTP是用来交给和获取能源。客户端发送三个HTTP请求到服务器的伸手音讯,包蕴以下格式:

请求行请求头部空行请求数据

爬虫连串,python爬虫入门。三个出色的HTTP请求

GET https://www.baidu.com/ HTTP/1.1
Host: www.baidu.com
Connection: keep-alive
Upgrade-Insecure-Requests: 1
User-Agent: Mozilla/5.0 (Windows NT 6.1; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/60.0.3112.101 Safari/537.36
Accept: text/html,application/xhtml+xml,application/xml;q=0.9,image/webp,image/apng,*/*;q=0.8
Accept-Encoding: gzip, deflate, br
Accept-Language: zh,zh-CN;q=0.8,ar;q=0.6,zh-TW;q=0.4
Cookie: BAIDUID=AE4D1DA6B2D6689BB8C557B3436893E3:FG=1; BIDUPSID=AE4D1DA6B2D6689BB8C557B3436893E3; PSTM=1501466227; BD_UPN=12314353; BD_CK_SAM=1; PSINO=1; H_PS_PSSID=1420_25548_21080_20929; BDORZ=B490B5EBF6F3CD402E515D22BCDA1598; BDSVRTM=0

美高梅开户网址 1美高梅开户网址 2

1. Host (主机和端口号)

Host:对应网址URL中的Web名称和端口号,用于指定被请求资源的Internet主机和端口号,通常属于URL的一部分。
2. Connection (链接类型)

Connection:表示客户端与服务连接类型

    Client 发起一个包含 Connection:keep-alive 的请求,HTTP/1.1使用 keep-alive 为默认值。

    Server收到请求后:
        如果 Server 支持 keep-alive,回复一个包含 Connection:keep-alive 的响应,不关闭连接;
        如果 Server 不支持 keep-alive,回复一个包含 Connection:close 的响应,关闭连接。

    如果client收到包含 Connection:keep-alive 的响应,向同一个连接发送下一个请求,直到一方主动关闭连接。

keep-alive在很多情况下能够重用连接,减少资源消耗,缩短响应时间,比如当浏览器需要多个文件时(比如一个HTML文件和相关的图形文件),不需要每次都去请求建立连接。
3. Upgrade-Insecure-Requests (升级为HTTPS请求)

Upgrade-Insecure-Requests:升级不安全的请求,意思是会在加载 http 资源时自动替换成 https 请求,让浏览器不再显示https页面中的http请求警报。

HTTPS 是以安全为目标的 HTTP 通道,所以在 HTTPS 承载的页面上不允许出现 HTTP 请求,一旦出现就是提示或报错。
4. User-Agent (浏览器名称)

User-Agent:是客户浏览器的名称,以后会详细讲。
5. Accept (传输文件类型)

Accept:指浏览器或其他客户端可以接受的MIME(Multipurpose Internet Mail Extensions(多用途互联网邮件扩展))文件类型,服务器可以根据它判断并返回适当的文件格式。
举例:

Accept: */*:表示什么都可以接收。

Accept:image/gif:表明客户端希望接受GIF图像格式的资源;

Accept:text/html:表明客户端希望接受html文本。

Accept: text/html, application/xhtml+xml;q=0.9, image/*;q=0.8:表示浏览器支持的 MIME 类型分别是 html文本、xhtml和xml文档、所有的图像格式资源。

q是权重系数,范围 0 =< q <= 1,q 值越大,请求越倾向于获得其“;”之前的类型表示的内容。若没有指定q值,则默认为1,按从左到右排序顺序;若被赋值为0,则用于表示浏览器不接受此内容类型。

Text:用于标准化地表示的文本信息,文本消息可以是多种字符集和或者多种格式的;Application:用于传输应用程序数据或者二进制数据。详细请点击
6. Referer (页面跳转处)

Referer:表明产生请求的网页来自于哪个URL,用户是从该 Referer页面访问到当前请求的页面。这个属性可以用来跟踪Web请求来自哪个页面,是从什么网站来的等。

有时候遇到下载某网站图片,需要对应的referer,否则无法下载图片,那是因为人家做了防盗链,原理就是根据referer去判断是否是本网站的地址,如果不是,则拒绝,如果是,就可以下载;
7. Accept-Encoding(文件编解码格式)

Accept-Encoding:指出浏览器可以接受的编码方式。编码方式不同于文件格式,它是为了压缩文件并加速文件传递速度。浏览器在接收到Web响应之后先解码,然后再检查文件格式,许多情形下这可以减少大量的下载时间。
举例:Accept-Encoding:gzip;q=1.0, identity; q=0.5, *;q=0

如果有多个Encoding同时匹配, 按照q值顺序排列,本例中按顺序支持 gzip, identity压缩编码,支持gzip的浏览器会返回经过gzip编码的HTML页面。 如果请求消息中没有设置这个域服务器假定客户端对各种内容编码都可以接受。
8. Accept-Language(语言种类)

Accept-Langeuage:指出浏览器可以接受的语言种类,如en或en-us指英语,zh或者zh-cn指中文,当服务器能够提供一种以上的语言版本时要用到。
9. Accept-Charset(字符编码)

Accept-Charset:指出浏览器可以接受的字符编码。
举例:Accept-Charset:iso-8859-1,gb2312,utf-8

    ISO8859-1:通常叫做Latin-1。Latin-1包括了书写所有西方欧洲语言不可缺少的附加字符,英文浏览器的默认值是ISO-8859-1.
    gb2312:标准简体中文字符集;
    utf-8:UNICODE 的一种变长字符编码,可以解决多种语言文本显示问题,从而实现应用国际化和本地化。

如果在请求消息中没有设置这个域,缺省是任何字符集都可以接受。
10. Cookie (Cookie)

Cookie:浏览器用这个属性向服务器发送Cookie。Cookie是在浏览器中寄存的小型数据体,它可以记载和服务器相关的用户信息,也可以用来实现会话功能,以后会详细讲。
11. Content-Type (POST数据类型)

Content-Type:POST请求里用来表示的内容类型。
举例:Content-Type = Text/XML; charset=gb2312:

指明该请求的消息体中包含的是纯文本的XML类型的数据,字符编码采用“gb2312”。

常用请求报头

美高梅开户网址 3美高梅开户网址 4

服务器和客户端的交互仅限于请求/响应过程,结束之后便断开,在下一次请求时,服务器会认为新的客户端。

为了维护他们之间的链接,让服务器知道这是前一个用户发送的请求,必须在一个地方保存客户端的信息。

Cookie:通过在 客户端 记录的信息确定用户的身份。

Session:通过在 服务器端 记录的信息确定用户的身份。

cookie和session

HTTP请求方法

序号   方法      描述
1     GET       请求指定的页面信息,并返回实体主体。
2     HEAD      类似于get请求,只不过返回的响应中没有具体的内容,用于获取报头
3     POST      向指定资源提交数据进行处理请求(例如提交表单或者上传文件),数据被包含在请求体中。POST请求可能会导致新的资源的建立和/或已有资源的修改。
4     PUT       从客户端向服务器传送的数据取代指定的文档的内容。
5     DELETE    请求服务器删除指定的页面。
6     CONNECT   HTTP/1.1协议中预留给能够将连接改为管道方式的代理服务器。
7     OPTIONS   允许客户端查看服务器的性能。
8     TRACE     回显服务器收到的请求,主要用于测试或诊断。

重在情势get和post请求

  • 美高梅开户网址,GET是从服务器上获取数据,POST是向服务器传送数据

  • GET请求参数字显示示,都显得在浏览器网址上,HTTP服务器依照该请求所包罗UTiguanL中的参数来发生响应内容,即“Get”请求的参数是U奥德赛L的一有个别。
    例如: http://www.baidu.com/s?wd=Chinese

  • POST请求参数在请求体当中,音信长度没有范围而且以隐式的措施举行发送,常常用来向HTTP服务器提交量比较大的数据(比如请求中包罗众多参数只怕文件上传操作等),请求的参数包括在“Content-Type”音讯头里,指明该音讯体的媒体类型和编码.

HTTP响应状态码

美高梅开户网址 5美高梅开户网址 6

1xx:信息

100 Continue
服务器仅接收到部分请求,但是一旦服务器并没有拒绝该请求,客户端应该继续发送其余的请求。
101 Switching Protocols
服务器转换协议:服务器将遵从客户的请求转换到另外一种协议。



2xx:成功

200 OK
请求成功(其后是对GET和POST请求的应答文档)
201 Created
请求被创建完成,同时新的资源被创建。
202 Accepted
供处理的请求已被接受,但是处理未完成。
203 Non-authoritative Information
文档已经正常地返回,但一些应答头可能不正确,因为使用的是文档的拷贝。
204 No Content
没有新文档。浏览器应该继续显示原来的文档。如果用户定期地刷新页面,而Servlet可以确定用户文档足够新,这个状态代码是很有用的。
205 Reset Content
没有新文档。但浏览器应该重置它所显示的内容。用来强制浏览器清除表单输入内容。
206 Partial Content
客户发送了一个带有Range头的GET请求,服务器完成了它。



3xx:重定向

300 Multiple Choices
多重选择。链接列表。用户可以选择某链接到达目的地。最多允许五个地址。
301 Moved Permanently
所请求的页面已经转移至新的url。
302 Moved Temporarily
所请求的页面已经临时转移至新的url。
303 See Other
所请求的页面可在别的url下被找到。
304 Not Modified
未按预期修改文档。客户端有缓冲的文档并发出了一个条件性的请求(一般是提供If-Modified-Since头表示客户只想比指定日期更新的文档)。服务器告诉客户,原来缓冲的文档还可以继续使用。
305 Use Proxy
客户请求的文档应该通过Location头所指明的代理服务器提取。
306 Unused
此代码被用于前一版本。目前已不再使用,但是代码依然被保留。
307 Temporary Redirect
被请求的页面已经临时移至新的url。



4xx:客户端错误

400 Bad Request
服务器未能理解请求。
401 Unauthorized
被请求的页面需要用户名和密码。
401.1
登录失败。
401.2
服务器配置导致登录失败。
401.3
由于 ACL 对资源的限制而未获得授权。
401.4
筛选器授权失败。
401.5
ISAPI/CGI 应用程序授权失败。
401.7
访问被 Web 服务器上的 URL 授权策略拒绝。这个错误代码为 IIS 6.0 所专用。
402 Payment Required
此代码尚无法使用。
403 Forbidden
对被请求页面的访问被禁止。
403.1
执行访问被禁止。
403.2
读访问被禁止。
403.3
写访问被禁止。
403.4
要求 SSL。
403.5
要求 SSL 128。
403.6
IP 地址被拒绝。
403.7
要求客户端证书。
403.8
站点访问被拒绝。
403.9
用户数过多。
403.10
配置无效。
403.11
密码更改。
403.12
拒绝访问映射表。
403.13
客户端证书被吊销。
403.14
拒绝目录列表。
403.15
超出客户端访问许可。
403.16
客户端证书不受信任或无效。
403.17
客户端证书已过期或尚未生效。
403.18
在当前的应用程序池中不能执行所请求的 URL。这个错误代码为 IIS 6.0 所专用。
403.19
不能为这个应用程序池中的客户端执行 CGI。这个错误代码为 IIS 6.0 所专用。
403.20
Passport 登录失败。这个错误代码为 IIS 6.0 所专用。
404 Not Found
服务器无法找到被请求的页面。
404.0
没有找到文件或目录。
404.1
无法在所请求的端口上访问 Web 站点。
404.2
Web 服务扩展锁定策略阻止本请求。
404.3
MIME 映射策略阻止本请求。
405 Method Not Allowed
请求中指定的方法不被允许。
406 Not Acceptable
服务器生成的响应无法被客户端所接受。
407 Proxy Authentication Required
用户必须首先使用代理服务器进行验证,这样请求才会被处理。
408 Request Timeout
请求超出了服务器的等待时间。
409 Conflict
由于冲突,请求无法被完成。
410 Gone
被请求的页面不可用。
411 Length Required
"Content-Length" 未被定义。如果无此内容,服务器不会接受请求。
412 Precondition Failed
请求中的前提条件被服务器评估为失败。
413 Request Entity Too Large
由于所请求的实体的太大,服务器不会接受请求。
414 Request-url Too Long
由于url太长,服务器不会接受请求。当post请求被转换为带有很长的查询信息的get请求时,就会发生这种情况。
415 Unsupported Media Type
由于媒介类型不被支持,服务器不会接受请求。
416 Requested Range Not Satisfiable
服务器不能满足客户在请求中指定的Range头。
417 Expectation Failed
执行失败。
423
锁定的错误。



5xx:服务器错误

500 Internal Server Error
请求未完成。服务器遇到不可预知的情况。
500.12
应用程序正忙于在 Web 服务器上重新启动。
500.13
Web 服务器太忙。
500.15
不允许直接请求 Global.asa。
500.16
UNC 授权凭据不正确。这个错误代码为 IIS 6.0 所专用。
500.18
URL 授权存储不能打开。这个错误代码为 IIS 6.0 所专用。
500.100
内部 ASP 错误。
501 Not Implemented
请求未完成。服务器不支持所请求的功能。
502 Bad Gateway
请求未完成。服务器从上游服务器收到一个无效的响应。
502.1
CGI 应用程序超时。 ·
502.2
CGI 应用程序出错。
503 Service Unavailable
请求未完成。服务器临时过载或当机。
504 Gateway Timeout
网关超时。
505 HTTP Version Not Supported
服务器不支持请求中指明的HTTP协议版本

View Code

浏览器内核

浏览器                         内核
IE                           Trident
Chrome                       Webkit
Firefox                      Gecho
Opera                        Pesto
Safari(Apple)                Webkit 

HTTP代理工科具Fiddler
Fiddler是一款强大Web调节和测试工具,它能记录全数客户端和服务器的HTTP请求.
美高梅开户网址 7

Request部分详解

  1. Headers —— 显示客户端发送到服务器的 HTTP 请求的
    header,显示为三个分别视图,包括了 Web
    客户端音信、Cookie、传输状态等。
  2. Textview —— 突显 POST 请求的 body 部分为文本。
  3. WebForms —— 显示请求的 GET 参数 和 POST body 内容。
  4. HexView —— 用十六进制数据显示请求。
  5. Auth —— 彰显响应 header 中的 Proxy-Authorization(代理身份验证) 和
    Authorization(授权) 音讯.
  6. Raw —— 将整个请求显示为纯文本。
  7. JSON – 显示JSON格式文件。
  8. XML —— 假若请求的 body 是 XML 格式,正是用各自的 XML 树来体现它。

 Responser部分详解

  1. Transformer —— 彰显响应的编码音信。
  2. Headers —— 用分级视图展现响应的 header。
  3. TextView —— 使用文本显示相应的 body。
  4. ImageVies —— 假如请求是图表能源,显示响应的图形。
  5. HexView —— 用十六进制数据呈现响应。
  6. WebView —— 响应在 Web 浏览器中的预览效果。
  7. Auth —— 突显响应 header 中的 Proxy-Authorization(代理身份验证) 和
    Authorization(授权) 音信。
  8. Caching —— 彰显此呼吁的缓存信息。
  9. Privacy —— 显示此恳请的私密 (P3P) 音讯。
  10. Raw —— 将整个响应显示为纯文本。
  11. JSON – 显示JSON格式文件。
  12. XML —— 假如响应的 body 是 XML 格式,正是用各自的 XML 树来展现它 。

 理解了那一个文化后,接下去真正迈向爬虫之路…….

本篇将介绍urllib2的Get和Post方法,越来越多内容请参考:python学习指南

urllib2暗许只支持HTTP/HTTPS的GET和POST方法

urllib2默许只帮忙HTTP/HTTPS的GET和POST方法

urllib2

所谓网页抓取,正是把UEnclaveL地址中内定的网络能源从网络流中读取出来,保存到当地。
在Python中有许多库能够用来抓取网页,先读书urllib2

urllib2模块直接导入就能够用,在python3中urllib2被改为urllib.request

起来爬虫必要桑土绸缪的一些工具

(1)下载Fiddeler抓包工具,百度直接下载安装就能够(抓包)

(2)下载chrome浏览器代理插件 Proxy-SwitchyOmega(代理)

(3)下载chrome浏览器插件XPath(解析HTML)

(4)工具网站:

          
(json解析网站)

      
    (url编码解码网站)

先写个简单的爬虫百度页面

urlopen

# _*_ coding:utf-8 _*_
import urllib2

#向指定的url地址发送请求,并返回服务器响应的类文件对象
response = urllib2.urlopen('http://www.baidu.com/')
#服务器返回的类文件对象支持python文件对象的操作方法
#read()方法就是读取文件里的全部内容,返回字符串
html = response.read()
print html

urllib2暗中同意的User-Agent是Python-urllib/2.7,不难被检查到是爬虫,所以我们要协会二个伸手对象,要用到request方法。

依傍浏览器访问

浏览器访问时通过抓包工具获得的headers消息如下:

GET https://www.baidu.com/ HTTP/1.1
Host: www.baidu.com
Connection: keep-alive
Cache-Control: max-age=0
Upgrade-Insecure-Requests: 1
User-Agent: Mozilla/5.0 (Windows NT 6.1; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/60.0.3112.101 Safari/537.36
Accept: text/html,application/xhtml+xml,application/xml;q=0.9,image/webp,image/apng,*/*;q=0.8
Accept-Encoding: gzip, deflate, br
Accept-Language: zh,zh-CN;q=0.8,ar;q=0.6,zh-TW;q=0.4
Cookie: BAIDUID=AE4D1DA6B2D6689BB8C557B3436893E3:FG=1; BIDUPSID=AE4D1DA6B2D6689BB8C557B3436893E3; PSTM=1501466227; BD_CK_SAM=1; PSINO=1; BDORZ=B490B5EBF6F3CD402E515D22BCDA1598; BD_HOME=0; H_PS_PSSID=1420_25548_21080_20929; BD_UPN=12314353

咱俩要设置User-Agent模仿浏览器去做客数据

# _*_ coding:utf-8 _*_
import urllib2

# User-Agent是爬虫与反爬虫的第一步
ua_headers = {'User-Agent':'Mozilla/5.0 (Windows NT 6.1; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/60.0.3112.101 Safari/537.36'}
# 通过urllib2.Request()方法构造一个请求对象
request = urllib2.Request('http://www.baidu.com/',headers=ua_headers)

#向指定的url地址发送请求,并返回服务器响应的类文件对象
response = urllib2.urlopen(request)

# 服务器返回的类文件对象支持python文件对象的操作方法
# read()方法就是读取文件里的全部内容,返回字符串
html = response.read()

print html

Request总共多个参数,除了必须求有url参数,还有下边四个:

  1. data(私下认可空):是陪同 url 提交的数码(比如要post的数码),同时 HTTP
    请求将从 “GET”格局 改为 “POST”格局。

  2. headers(暗许空):是2个字典,包蕴了亟待发送的HTTP报头的键值对。

response的常用方法

# _*_ coding:utf-8 _*_
import urllib2

# User-Agent是爬虫与反爬虫的第一步
ua_headers = {'User-Agent':'Mozilla/5.0 (Windows NT 6.1; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/60.0.3112.101 Safari/537.36'}
# 通过urllib2.Request()方法构造一个请求对象
request = urllib2.Request('http://www.baidu.com/',headers=ua_headers)

#向指定的url地址发送请求,并返回服务器响应的类文件对象
response = urllib2.urlopen(request)

# 服务器返回的类文件对象支持python文件对象的操作方法
# read()方法就是读取文件里的全部内容,返回字符串
html = response.read()

# 返回HTTP的响应吗,成功返回200,4服务器页面出错,5服务器问题
print response.getcode()     #200

# 返回数据的实际url,防止重定向
print response.geturl()     #https://www.baidu.com/

# 返回服务器响应的HTTP报头
print response.info()

# print html

轻易选取三个Use-Agent

为了以免封IP,先生成多个user-agent列表,然后从中随机接纳二个

# _*_ coding:utf-8 _*_
import urllib2
import random

url = 'http:/www.baidu.com/'

# 可以试User-Agent列表,也可以是代理列表
ua_list = ["Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.1 (KHTML, like Gecko) Chrome/22.0.1207.1 Safari/537.1",
    "Mozilla/5.0 (X11; CrOS i686 2268.111.0) AppleWebKit/536.11 (KHTML, like Gecko) Chrome/20.0.1132.57 Safari/536.11",
    "Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/536.6 (KHTML, like Gecko) Chrome/20.0.1092.0 Safari/536.6",
    "Mozilla/5.0 (Windows NT 6.2) AppleWebKit/536.6 (KHTML, like Gecko) Chrome/20.0.1090.0 Safari/536.6",
    "Mozilla/5.0 (Windows NT 6.2; WOW64) AppleWebKit/537.1 (KHTML, like Gecko) Chrome/19.77.34.5 Safari/537.1",
    "Mozilla/5.0 (X11; Linux x86_64) AppleWebKit/536.5 (KHTML, like Gecko) Chrome/19.0.1084.9 Safari/536.5",
    "Mozilla/5.0 (Windows NT 6.0) AppleWebKit/536.5 (KHTML, like Gecko) Chrome/19.0.1084.36 Safari/536.5",
    "Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/536.3 (KHTML, like Gecko) Chrome/19.0.1063.0 Safari/536.3",
    "Mozilla/5.0 (Windows NT 5.1) AppleWebKit/536.3 (KHTML, like Gecko) Chrome/19.0.1063.0 Safari/536.3",
    "Mozilla/5.0 (Macintosh; Intel Mac OS X 10_8_0) AppleWebKit/536.3 (KHTML, like Gecko) Chrome/19.0.1063.0 Safari/536.3",
    "Mozilla/5.0 (Windows NT 6.2) AppleWebKit/536.3 (KHTML, like Gecko) Chrome/19.0.1062.0 Safari/536.3",
    "Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/536.3 (KHTML, like Gecko) Chrome/19.0.1062.0 Safari/536.3",
    "Mozilla/5.0 (Windows NT 6.2) AppleWebKit/536.3 (KHTML, like Gecko) Chrome/19.0.1061.1 Safari/536.3",
    "Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/536.3 (KHTML, like Gecko) Chrome/19.0.1061.1 Safari/536.3",
    "Mozilla/5.0 (Windows NT 6.1) AppleWebKit/536.3 (KHTML, like Gecko) Chrome/19.0.1061.1 Safari/536.3",
    "Mozilla/5.0 (Windows NT 6.2) AppleWebKit/536.3 (KHTML, like Gecko) Chrome/19.0.1061.0 Safari/536.3",
    "Mozilla/5.0 (X11; Linux x86_64) AppleWebKit/535.24 (KHTML, like Gecko) Chrome/19.0.1055.1 Safari/535.24",
    "Mozilla/5.0 (Windows NT 6.2; WOW64) AppleWebKit/535.24 (KHTML, like Gecko) Chrome/19.0.1055.1 Safari/535.24"
]

# 在User-Agent列表中随机选择一个User-Agent
user_agent = random.choice(ua_list)

# 构造一个请求
request = urllib2.Request(url)

# add_header()方法添加/修改一个HTTP报头
request.add_header('User-Agent',user_agent)

#get_header()获取一个已有的HTTP报头的值,注意只能第一个字母大写,后面的要小写
print request.get_header('User-agent')

urllib2暗中同意只帮忙HTTP/HTTPS的GET和POST方法

urllib.urlencode()

urllib 和 urllib2
都以经受URubiconL请求的连带模块,可是提供了分化的法力。三个最醒目标例外如下:

  • urllib 仅还可以UPAJEROL,不可能创立 设置了headers 的Request 类实例;
  • 只是 urllib 提供 urlencode 方法用来GET查询字符串的产生,而 urllib2
    则并未。(那是 urllib 和 urllib2 平时一同利用的主要性缘由)
  • 编码工作选取urllib的urlencode()函数,帮大家将key:value那样的键值对转换到”key=value”那样的字符串,解码工作得以选拔urllib的unquote()函数。(注意,不是urllib2.urlencode()
    )

诚如HTTP请求提交数据,须求编码成
U锐界L编码格式,然后做为url的一部分,或然作为参数字传送到Request对象中。

urllib 和 urllib2 都以接受UWranglerL请求的相关模块,不过提供了分歧的效用。四个最醒目标不及如下:

  • urllib 仅能够承受U牧马人L,不可能创立 设置了headers 的Request 类实例;

  • 不过 urllib 提供 urlencode 方法用来GET查询字符串的发生,而 urllib2
    则并未。(这是 urllib 和 urllib2 日常一起行使的要害原因)

  • 编码工作接纳urllib的urlencode()函数,帮大家将key:value那样的键值对转换成”key=value”那样的字符串,解码工作能够利用urllib的unquote()函数。(注意,不是urllib2.urlencode()
    )

    IPython2 中的测试结果
    In [1]: import urllib
    
    In [2]: 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。
    In [3]: urllib.urlencode(word)  
    Out[3]:       "wd=%E4%BC%A0%E6%99%BA%E6%92%AD%E5%AE%A2"
    
     # 通过urllib.unquote()方法,把 URL编码字符串,转换回原先字符串。
    In [4]: print urllib.unquote("wd=%E4%BC%A0%E6%99%BA%E6%92%AD%E5%AE%A2")
    wd=传智播客
    

urllib和urllib2的基本点差别

 urllib和urllib2都以经受UEscortL请求的连锁模块,不过提供了分裂的功能,最鲜明的分别如下:

(1)urllib仅能够承受U途乐L,不能创设,设置headers的request类实例;

(2)可是urllib提供urlencode()方法用来GET查询字符串的发生,而urllib2则并未(那是urllib和urllib2常常一同行使的最主因)

(3)编码工作选拔urllib的urlencode()函数,帮大家讲key:value那样的键值对转换到‘key=value’这样的字符串,解码工作能够利用urllib的unquote()

函数

 urllib.encode()的使用

urlencode()里面必须是字典类型

# _*_ coding:utf-8 _*_
import urllib

dic = {'derek':'编码'}
print urllib.urlencode(dic)    #derek=%E7%BC%96%E7%A0%81

m = urllib.urlencode(dic)

print urllib.unquote(m)         #derek=编码

urllib.urlencode()

urllib和urllib2都以经受U翼虎L请求的连带参数,然则提供了不一致的效果。八个最强烈的例外如下:

  • urllib仅能够承受U陆风X8L,不可能创立设置了headers的Request类实例;
  • 但是urllib提供了urlencode艺术用来GET查询字符串的发出,而urllib2则从未。(那是urllib和urllib2常常一同使用的要紧缘由)
  • 编码工作选择urllib的urlencode()函数,帮大家将key:value这样的键值对转换到"key=value"如此的字符串,解码工作得以采取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"))

貌似HTTP请求提交数据,需求编码成U帕杰罗L编码格式,然后作为url的一部分,恐怕当作参数字传送到Request对象中。

Get方式

import urllib      #负责url编码处理
import urllib2

url = "http://www.baidu.com/s"
value = raw_input("输入要查询的关键字:")
word = {"wd":value}

#转换成url编码格式(字符串)
word = urllib.urlencode(word) 

  # url首个分隔符就是 ?
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()

诚如HTTP请求提交数据,必要编码成 ULANDL编码格式,然后做为url的一部分,可能当作参数字传送到Request对象中。

相似HTTP请求提交数据,要求编码成 U本田CR-VL编码格式,然后做为url的一部分,也许当做参数字传送到Request对象中。

GET请求一般用来大家向服务器获取数据,比如说,我们用百度搜索知乎

发现GET

美高梅开户网址 8

 

 

美高梅开户网址 9

美高梅开户网址 10

用urllib.urlencode()举办转码,然后组合url

# _*_ coding:utf-8 _*_
import urllib,urllib2

url = 'http://www.baidu.com/s'
headers = {'UserAgent':'Mozilla'}
keyword = raw_input('请输入关键字:')
wd = urllib.urlencode({'wd':keyword})
fullurl = url + '?' + wd
print fullurl
request = urllib2.Request(fullurl,headers=headers)
response = urllib2.urlopen(request)
print response.read()

然后输加入关贸总协定协会键字,爬取下相应的内容

美高梅开户网址 11

 美高梅开户网址 12

Get方式

Get请求一般用来大家向服务器获取数据,比如说,大家用百度找寻传智播客;https://www.baidu.com/s?wd=传智播客

浏览器的url会跳转如图所示
美高梅开户网址 13

在在那之中我们能够见到在呼吁部分里,http://www.baidu.com/s从此出现3个长长的字符串,个中就富含作者门要询问的严重性词传智播客,于是我们能够尝试使用暗许的Get形式来发送请求。

#-*- 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())

批量爬取贴吧页面数据

首先大家成立1个python文件,
tiebaSpider.py,大家要成功的是,输入1个百度贴吧的地点,比如:
百度贴吧LOL吧第二页: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
第三页:
http://tieba.baidu.com/f?kw=lol&ie=utf-8&pn=100
察觉规律了吗,贴吧中各类页面不一样之处,正是url最终的pn的值,别的的都以如出一辙的,大家能够招引那个原理。

简言之写1个小爬虫程序,来爬取百度LOL吧的全数网页。

先写1个main,提醒用户输入要爬取的贴吧名,并用urllib.urlencode()举行转码,然后组合url,如若是lol吧,那么结合后的url就是:http://tieba.baidu.com/f?kw=lol

# coding:utf8
import urllib2
import urllib

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()


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


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)


# 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)

事实上过多网站都以那样的,同类网站下的html页面编号,分别对应网址后的网页序号,只要发觉规律就能够批量爬取页面了。

Get方式

GET请求一般用来我们向服务器获取数据,比如说,大家用百度找寻传智播客:https://www.baidu.com/s?wd=传智播客

浏览器的url会跳转成如图所示:

美高梅开户网址 14

image.png

https://www.baidu.com/s?wd=%E4%BC%A0%E6%99%BA%E6%92%AD%E5%AE%A2

在内部大家能够见见在乞请部分里,http://www.baidu.com/s?
之后出现三个长长的字符串,当中就带有我们要询问的关键词传智播客,于是大家能够尝试用私下认可的Get形式来发送请求。

urllib2_get.py

import urllib      #负责url编码处理
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    # url首个分隔符就是 ?

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()

爬取贴吧内容

 先通晓贴吧url组成:

美高梅开户网址 15

各种贴吧url都是以’ kw=‘’贴吧名字‘’,再后边是 &pn=页数
 (pn=0首先页,pn=4伍次之页,依次类推)

1.先写三个main,提醒用户输入要爬取的贴吧名,并用urllib.urlencode()进行转码,然后组合url

2.接下来,写二个百度贴吧爬虫接口tiebaSpider(),必要传递3个参数给那一个接口,
一个是main里组合的url地址,以及开端页码和终止页码,表示要爬取页码的限制。

3.前方写出二个爬取一个网页的代码。然后,将它封装成二个小函数loadPage(),供大家采取。

4.将爬取到的每页的音信存款和储蓄在本土磁盘上,大家能够简单写多少个仓储文件的接口writePage()

# _*_ coding:utf-8 _*_
import urllib,urllib2

def loadPage(url,filename):
    #根据url发送请求,获取服务器响应文件
    print '正在下载' + filename
    headers = {'User-Agent':'Mozilla/5.0 (Windows NT 6.1; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/60.0.3112.101 Safari/537.36'}
    request = urllib2.Request(url,headers = headers)
    content = urllib2.urlopen(request).read()
    return content
def writePage(html,filename):
    #将html内容写入到本地
    print '正在保存' + filename
    with open(unicode(filename,'utf-8'),'w') as f:
        f.write(html)
    print '_' * 30

def tiebaSpider(url,beginPage,endPage):
    #贴吧爬虫调度器,负责组合处理每个页面的url
    for page in range(beginPage,endPage + 1):
        pn = (page - 1) * 50
        filename = '第' + str(page) + '页.html'
        fullurl = url + '&pn=' + str(pn)
        # print fullurl
        html = loadPage(fullurl,filename)
        writePage(html,filename)

if __name__ == '__main__':
    kw = raw_input('请输入贴吧名:')
    beginPage = int(raw_input('请输入起始页:'))
    endPage = int(raw_input('请输入结束页:'))

    url = 'https://tieba.baidu.com/f?'
    key = urllib.urlencode({'kw':kw})
    fullurl = url + key
    tiebaSpider(fullurl,beginPage,endPage)

经过输入想要搜索的贴吧名字,爬取内容并保存到地头

美高梅开户网址 16

批量爬取贴吧页面数据

先是我们创造二个python文件,tiebaSpider.py,大家要实现的是,输入多个百度贴吧的地址,比如:
百度贴吧LOL吧第三页:[](

第二页:[](

第二页:[](

意识规律了啊,贴吧中各类页面不一致之处,就是url最终的pn的值,其他的都是千篇一律的,大家得以挑动这么些规律。

简易写三个小爬虫程序,来爬虫百度LOL吧的保有网页

  • 先写1个main,提醒用户输入要爬取的贴吧名,并用urllib.urlencode()举行转码,然后组合url,假设是lol吧,那么结合的url正是:
    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)
    
  • 接下去,我们写三个百度贴吧爬虫接口,大家须要传递贰个参数给这么些接口,一个是main里组合url地址,以及先导页和终止页码
    ,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)
  • 笔者们早已从前写出3个爬取1个网页的代码。以往,我们得以把它封装成二个loadPage,供大家利用。

    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()
    
  • 说到底只要大家希望将爬取到了每页的新闻囤积在地头磁盘上,我们得以归纳写叁个仓库储存文件的接口。

    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
    

骨子里过多网站都以如此的,同类网站下的html页面编号,分别对应网址后的网页序号,只要发觉规律就能够批量爬取页面了。

POST方式:

上面大家说了Request请求对象的里有data参数,它就是用在POST里的,我们要传递的数据便是那一个参数data,data是一个字典,里面要匹配键值对。

# coding:utf8

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...."}

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()

出殡POST请求时,需求特别注意headers的局地性能:

Content-Length: 144:
是指发送的表单数据长度为144,也等于字符个数是143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,表单数据会遵照 name1=value1&name2=value2
键值对方式进行编码。

批量爬取贴吧页面数据

先是我们创制1个python文件,
tiebaSpider.py,我们要实现的是,输入二个百度贴吧的地址,比如:

百度贴吧LOL吧第叁页: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

第三页:
http://tieba.baidu.com/f?kw=lol&ie=utf-8&pn=100

意识规律了啊,贴吧中每一种页面差别之处,就是url最终的pn的值,其他的都以千篇一律的,大家得以招引这一个原理。

 获取Ajax方式加载的多寡

爬虫最急需关爱的不是页面音讯,而是页面音信的数目出自

Ajax格局加载的页面,数据出自一定是JSON,直接对AJAX地址实行post或get,获得JSON,便是获得了网页数据,

(1)先通过浏览器访问豆瓣电影排行榜

 美高梅开户网址 17

(2)浏览器访问后,通过抓包工具就足以拿走大家想要的部分音信

 美高梅开户网址 18

美高梅开户网址 19

设若response里面有
JSON数据,大家就足以找到服务器的数额出自

剖析发现变动的是start value和limit value,
type,interval_id,action,固定不变,那五个url中已经包涵了,所以formdata只用传start和limit

import urllib
import urllib2


url = 'https://movie.douban.com/typerank?type_name=%E5%89%A7%E6%83%85&type=11&interval_id=100:90&action='
headers = {'User-Agent':'Mozilla/5.0 (Windows NT 6.1; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/60.0.3112.101 Safari/537.36'}

# start和limit可以自己随便设置
formdata = {'start':'20','limit':'100'}

data = urllib.urlencode(formdata)
request = urllib2.Request(url,data = data,headers=headers)

response = urllib2.urlopen(request)
print response.read()

 

POST方式:

上边大家说了Request请求对象里有data参数,它就是用在POST里,大家要传递的数码就是以此参数data,data是3个字典,里面要匹配键值对。

收获AJAX加载的始末

多少网页内容使用AJAX加载,只要记得,AJAX一般重返的是JSON,直接对AJAX地址实行post或get,就回到JSON数据了。

“作为一名爬虫工程师,你最急需关爱的,是数据的来源”

# coding: utf8

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()
简短写贰个小爬虫程序,来爬取百度LOL吧的拥有网页。
  • 先写三个main,提醒用户输入要爬取的贴吧名,并用urllib.urlencode()实行转码,然后组合url,倘若是lol吧,那么结合后的url就是: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)
    
  • 接下去,大家写三个百度贴吧爬虫接口,大家要求传递2个参数给这几个接口,
    三个是main里组合的url地址,以及开头页码和终止页码,表示要爬取页码的限量。

    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)
  • 我们曾经从前写出一个爬取四个网页的代码。今后,我们能够将它封装成2个小函数loadPage,供大家应用。

    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()
    
  • 说到底只要大家意在将爬取到了每页的音讯囤积在本地球磁性盘上,大家得以总结写二个囤积文件的接口。

     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
    

实际上过多网站都以这么的,同类网站下的html页面编号,分别对应网址后的网页序号,只要发现规律就足以批量爬取页面了。

有道词典翻译网站:

输入测试数据,再通过动用Fiddler阅览,在那之中有一条是POST请求,而向服务器发送的伏乞数据并不是在url里,那么我们能够试着模拟这么些POST请求。
美高梅开户网址 20
于是乎,大家得以尝尝用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,须要特别注意headers的一对属性:

Content-Length:是指发送的表单数据长度为144,也正是字符个数是1肆10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,表单数据会根据name1=value1&name2=value2键值对方式展开编码。

处理HTTPS请求 SSL证书验证

近年来随处可知 https 开首的网站,urllib2能够为 HTTPS
请求验证SSL证书,就如web浏览器同样,假诺网站的SSL证书是由此CA认证的,则能够平常访问,如:https://www.baidu.com/
等…
若果SSL证书验证不通过,可能操作系统不信任服务器的哈密评释,比如浏览器在拜访12306网站如:https://www.12306.cn/mormhweb/的时候,会警告用户证书不受信任。(据说12306 网站证书是本身做的,没有经过CA认证)

美高梅开户网址 21

12306zhengshu.png

urllib2在做客的时候则会报出SSLError:

# coding: utf8

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()

运维结果:

urllib2.URLError: <urlopen error [SSL: CERTIFICATE_VERIFY_FAILED] certificate verify failed (_ssl.c:590)>

故而,借使未来境遇这种网站,大家要求单独处理SSL证书,让程序忽略SSL证书验证错误,即可平常访问。

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()

POST方式:

地点大家说了Request请求对象的里有data参数,它就是用在POST里的,我们要传送的数码正是那一个参数data,data是3个字典,里面要匹配键值对。

赢得AJAX加载的内容

稍微网页内容使用AJAX加载,只要记得,AJAX一般再次来到的是JSON,直接对AJAX地址进行post或get,就再次回到JSON数据了。
“作为一名爬虫工程师,你最急需关爱的,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()

关于CA

CA(Certificate
Authority)是数字证书认证核心的简称,是指发放、管理、裁撤数字证书的受信赖的第①方机构,如京城数字表达股份有限公司、Hong Kong市数字证书认证中央有限集团等…
CA的功用是反省申明持有者身份的合法性,并签发证书,避防证书被伪造或篡改,以及对证件和密钥举行管理。
现实生活中得以用身份证来验证身份,
那么在互联网世界里,数字证书正是身份证。和现实生活分化的是,并不是各样上网的用户都有数字证书的,往往唯有当1位索要证实自己的身价的时候才须求用到数字证书。
普通用户一般是不须要,因为网站并不保护是哪个人访问了网站,今后的网站只关怀流量。可是反过来,网站就供给证实本身的地点了。
诸近期后钓鱼网站很多的,比如你想访问的是www.baidu.com,但实在您拜访的是www.daibu.com”,所以在交付自身的隐秘新闻在此之前须求验证一下网站的身份,供给网站彰显数字证书。
一般符合规律的网站都会积极性出示自己的数字证书,来确认保证客户端和网站服务器之间的通讯数据是加密安全的。

有道词典翻译网站:

输入测试数据,再经过采取Fiddler观望,个中有一条是POST请求,而向服务器发送的呼吁数据并不是在url里,那么大家得以试着模拟那个POST请求。

美高梅开户网址 22

image.png

于是,大家能够品尝用POST情势发送请求。

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...."}

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()

标题:为啥有时候POST也能在UCRUISERL内看看数据?

  • GET格局是以直接以链接格局拜访,链接中包蕴了具备参数,服务器端用Request.QueryString获取变量的值。倘诺带有了密码的话是一种不安全的挑三拣四,可是你能够直观地见到本身提交了怎么内容。
  • POST则不会在网址上显得全部的参数,服务器端用Request.Form获取提交的数量,在Form提交的时候。不过HTML代码里假如不点名method属性,则暗中认可为GET请求,Form中提交的数额将会叠加在url之后,以?与url分开

    • 表单数据能够作为U路虎极光L字段(method=”get”)恐怕HTTP
      POST(method=”post”)的法子来发送。比如在上面包车型大巴HTML代码中,表单数据将因为(method=”get”)而增大到U奥迪Q7L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>
    

美高梅开户网址 23

发送POST请求时,供给尤其注意headers的有的属性:

Content-Length: 144:
是指发送的表单数据长度为144,也正是字符个数是1肆11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
表单时利用,表单数据会根据 name1=value1&name2=value2
键值对情势开始展览编码。

处理HTTPS请求SSL证书验证

今后随地可知https开端的网站,urllib2能够为HTTPS请求验证SSL证书,就像web浏览器同样,假若网站的SSL证书是通过CA认证的,则能够健康访问,如https://www.baidu.com/
比方SSL证书验证不通过,或然操作系统不信任服务器的平安表明,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。(据书上说12306网络证书是自身的,没有经过CA认证)
美高梅开户网址 24
urllib2在做客的时候则会报出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())

运转结果:
urllib2.URLError: <urlopen error [SSL: CERTIFICATE_VERIFY_FAILED] certificate verify failed (_ssl.c:590)>
因此,假诺未来遭受那种网站,大家必要单独处理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()

获得AJAX加载的始末

稍加网页内容使用AJAX加载,只要记得,AJAX一般重临的是JSON,直接对AJAX地址进行post或get,就赶回JSON数据了。

“作为一名爬虫工程师,你最急需关爱的,是数额的来源于”
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()

关于CA

CA(Certificate
Authority)是数字证书认证中央的简称,是指发放、管理、撤销数字证书的受重视的第②方单位,如东京数字认证股份有限集团、香港市数字证书认证宗旨有限公司等…

CA的法力是反省注脚持有者身份的合法性,并签发证书,以免证书被冒领或篡改,以及对证件和密钥举行管理。

现实生活中得以用身份证来验证身份,
那么在网络世界里,数字证书正是身份证。和现实生活不相同的是,并不是各种上网的用户都有数字证书的,往往只有当一人索要证实本人的地方的时候才要求用到数字证书。

普通用户一般是不须要,因为网站并不关注是哪个人访问了网站,未来的网站只关注流量。然而反过来,网站就供给证实自个儿的地点了。

比如未来钓鱼网站很多的,比如你想访问的是www.baidu.com,但骨子里您拜访的是www.daibu.com”,所以在付给自身的隐秘消息此前供给证惠氏(WYETH)下网站的地点,要求网站显示数字证书。

相似正常的网站都会主动出示本人的数字证书,来确认保障客户端和网站服务器之间的通讯数据是加密安全的。

标题:为啥有时候POST也能在U酷威L内看到数据?

  • GET格局是直接以链接方式拜访,链接中涵盖了具备的参数,服务器端用Request.QueryString获取变量的值。倘诺带有了密码的话是一种不安全的挑三拣四,但是你能够直观地观察本身付出了怎么内容。

  • POST则不会在网址上显示全部的参数,服务器端用Request.Form获取提交的数目,在Form提交的时候。不过HTML代码里假诺不点名
    method
    属性,则暗中同意为GET请求,Form中付出的数额将会增大在url之后,以?分开与url分开。

  • 表单数据足以当作 U福特ExplorerL 字段(method=”get”)恐怕 HTTP POST
    (method=”post”)的措施来发送。比如在底下的HTML代码中,表单数据将因为
    (method=”get”) 而增大到 U纳瓦拉L 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>
    

美高梅开户网址 25

image.png

参考

  1. 破解有道翻译反爬虫机制
  2. 浏览器验证网站数字证书的流水生产线

处理HTTPS请求 SSL证书验证

今昔随地可知 https 起头的网站,urllib2能够为 HTTPS
请求验证SSL证书,就像web浏览器同样,假设网站的SSL证书是经过CA认证的,则能够健康访问,如:https://www.baidu.com/等…

美高梅开户网址 26

image.png

如若SSL证书验证不经过,大概操作系统不信任服务器的安全证书,比如浏览器在拜访12306网站如:https://www.12306.cn/mormhweb/的时候,会警告用户证书不受信任。(听别人讲12306 网站证书是协调做的,没有经过CA认证)
urllib2在做客的时候则会报出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()

运作结果:

  urllib2.URLError: <urlopen error [SSL: CERTIFICATE_VERIFY_FAILED] certificate verify failed (_ssl.c:590)>

从而,假设之后遭遇那种网站,大家须求独自处理SSL证书,让程序忽略SSL证书验证错误,即可符合规律访问。

 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()

关于CA

CA(Certificate
Authority)是数字证书认证宗旨的简称,是指发放、管理、撤销数字证书的受注重的第2方机构,如京师数字印证股份有限公司、东京市数字证书认证中心有限公司等…

CA的效果是反省注明持有者身份的合法性,并签发证书,以免证书被冒用或歪曲,以及对证件和密钥实行保管。

现实生活中能够用身份证来证实身份,
那么在互联网世界里,数字证书便是身份证。和现实生活差异的是,并不是各类上网的用户都有数字证书的,往往唯有当一位必要评释自个儿的地位的时候才供给用到数字证书。

普通用户一般是不供给,因为网站并不关切是何人访问了网站,今后的网站只关心流量。可是反过来,网站就供给评释自个儿的地点了。

譬如说今后钓鱼网站很多的,比如你想拜会的是www.baidu.com,但实在您拜访的是www.daibu.com”,所以在交付自身的心事新闻之前须求说圣元(Synutra)下网站的身份,供给网站突显数字证书。

一般平常的网站都会积极性出示自身的数字证书,来确认保障客户端和网站服务器之间的通信数据是加密安全的。

发表评论

电子邮件地址不会被公开。 必填项已用*标注

网站地图xml地图