1. 小试牛刀
怎样扒网页呢?
其实就是根据URL来获取它的网页信息,虽然我们在浏览器中看到的是一幅幅优美的画面,但是其实是由浏览器解释才呈现出来的,实质它是一段HTML代码,加 JS、CSS,如果把网页比作一个人,那么HTML便是他的骨架,JS便是他的肌肉,CSS便是它的衣服。所以最重要的部分是存在于HTML中的,下面我们就写个例子来扒一个网页下来
from urllib.request import urlopen
response = urlopen("")
print(response.read().decode())
2. 常见到的方法
requset.urlopen(url,data,timeout)
第一个参数url即为URL,第二个参数data是访问URL时要传送的数据,第三个timeout是设置超时时间。
第二三个参数是可以不传送的,data默认为空None,timeout默认为 socket._GLOBAL_DEFAULT_TIMEOUT
第一个参数URL是必须要传送的,在这个例子里面我们传送了百度的URL,执行urlopen方法之后,返回一个response对象,返回信息便保存在这里面。
response.read()
read()方法就是读取文件里的全部内容,返回bytes类型
response.getcode()
返回 HTTP的响应码,成功返回200,4服务器页面出错,5服务器问题
response.geturl()
返回 返回实际数据的实际URL,防止重定向问题
response.info()
返回 服务器响应的HTTP报头
3. Request对象
其实上面的urlopen参数可以传入一个request请求,它其实就是一个Request类的实例,构造时需要传入Url,Data等等的内容。比如上面的两行代码,我们可以这么改写
from urllib.request import urlopen
from urllib.request import Request
request = Request("")
response = urlopen(requst)
print response.read().decode()
运行结果是完全一样的,只不过中间多了一个request对象,推荐大家这么写,因为在构建请求时还需要加入好多内容,通过构建一个request,服务器响应请求得到应答,这样显得逻辑上清晰明确
4. Get 请求
大部分被传输到浏览器的html,images,js,css, … 都是通过GET方法发出请求的。它是获取数据的主要方法
例如: 搜索
Get请求的参数都是在Url中体现的,如果有中文,需要转码,这时我们可使用
urllib.parse.urlencode()
urllib.parse. quote()
5. Post 请求
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
发送请求/响应header头的含义:
名称
含义
Accept
告诉服务器,客户端支持的数据类型
Accept-Charset
告诉服务器,客户端采用的编码
Accept-Encoding
告诉服务器,客户机支持的数据压缩格式
Accept-Language
告诉服务器,客户机的语言环境
Host
客户机通过这个头告诉服务器,想访问的主机名
If-Modified-Since
客户机通过这个头告诉服务器,资源的缓存时间
Referer
客户机通过这个头告诉服务器,它是从哪个资源来访问服务器的。(一般用于防盗链)
User-Agent
客户机通过这个头告诉服务器,客户机的软件环境
Cookie
客户机通过这个头告诉服务器,可以向服务器带数据
Refresh
服务器通过这个头,告诉浏览器隔多长时间刷新一次
Content-Type
服务器通过这个头,回送数据的类型
Content-Language
服务器通过这个头,告诉服务器的语言环境
Server
服务器通过这个头,告诉浏览器服务器的类型
Content-Encoding
服务器通过这个头,告诉浏览器数据采用的压缩格式
Content-Length
服务器通过这个头,告诉浏览器回送数据的长度
6. 响应的编码
响应状态码
响应状态代码有三位数字组成,第一个数字定义了响应的类别,且有五种可能取值。
常见状态码:
号码
含义
100~199
表示服务器成功接收部分请求,要求客户端继续提交其余请求才能完成整个处理过程
200~299
表示服务器成功接收请求并已完成整个处理过程。常用200(OK 请求成功)
300~399
为完成请求,客户需进一步细化请求。例如:请求的资源已经移动一个新地址、常用302(所请求的页面已经临时转移至新的url)、307和304(使用缓存资源)
400~499
客户端的请求有错误,常用404(服务器无法找到被请求的页面)、403(服务器拒绝访问,权限不够)
500~599
服务器端出现错误,常用500(请求未完成。服务器遇到不可预知的情况)
7. Ajax的请求获取数据
有些网页内容使用AJAX加载,而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
8. 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:/
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)
# 忽略SSL安全认证
context = ssl._create_unverified_context()
# 添加到context参数里
response = urllib.request.urlopen(request, context = context)