当前位置：隐士博客 > 编程技术 > python > 网页爬虫与urllib2简单应用

网页爬虫与urllib2简单应用

2019-06-27 0 评 1,278 阅 0 赞

前言

urllib2是Python中可以用来抓取网页的一个库

在使用之前，让我们先了接一下有关的网页协议

HTTP和HTTPS

HTTP协议（HyperText Transfer Protocol，超文本传输协议）：是一种发布和接收 HTML页面的方法。
HTTPS（Hypertext Transfer Protocol over Secure Socket Layer）简单讲是HTTP的安全版，在HTTP下加入SSL层。
SSL（Secure Sockets Layer 安全套接层）主要用于Web的安全传输协议，在传输层对网络连接进行加密，保障在Internet上数据传输的安全。

浏览器发送HTTP请求的过程：

  1. 当用户在浏览器的地址栏中输入一个URL并按回车键之后，浏览器会向HTTP服务器发送HTTP请求。HTTP请求主要分为“Get”和“Post”两种方法。
  2. 当我们在浏览器输入URL http://www.baidu.com 的时候，浏览器发送一个Request请求去获取 http://www.baidu.com 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，发现其中引用了很多其他文件，比如Images文件，CSS文件，JS文件。 浏览器会自动再次发送Request去获取图片，CSS文件，或者JS文件。
  4. 当所有的文件都下载成功后，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）

定义：统一资源定位符，是用于完整地描述Internet上网页和其他资源的地址的一种标识方法。

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

  • scheme：协议(例如：http, https, ftp)
  • host：服务器的IP地址或者域名
  • port#：服务器的端口（如果是走协议默认端口，缺省端口80）
  • path：访问资源的路径
  • query-string：参数，发送给http服务器的数据
  • anchor：锚（跳转到网页的指定锚点位置）

客户端HTTP请求

URL只是标识资源的位置，而HTTP是用来提交和获取资源。客户端发送一个HTTP请求到服务器的请求消息，包括以下格式：

请求行、请求头部、空行、请求数据

一个典型的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
常用请求报头

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”。

cookie和session

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。

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。

主要方法get和post请求

  • GET是从服务器上获取数据，POST是向服务器传送数据
  • GET请求参数显示，都显示在浏览器网址上，HTTP服务器根据该请求所包含URL中的参数来产生响应内容，即“Get”请求的参数是URL的一部分。 例如： http://www.baidu.com/s?wd=Chinese
  • POST请求参数在请求体当中，消息长度没有限制而且以隐式的方式进行发送，通常用来向HTTP服务器提交量比较大的数据（比如请求中包含许多参数或者文件上传操作等），请求的参数包含在“Content-Type”消息头里，指明该消息体的媒体类型和编码.

HTTP响应状态码

  1. 1xx:信息
  2.  
  3. 100 Continue
  4. 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。
  5. 101 Switching Protocols
  6. 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。
  7.  
  8.  
  9.  
  10. 2xx:成功
  11.  
  12. 200 OK
  13. 请求成功（其后是对GET和POST请求的应答文档）
  14. 201 Created
  15. 请求被创建完成，同时新的资源被创建。
  16. 202 Accepted
  17. 供处理的请求已被接受，但是处理未完成。
  18. 203 Non-authoritative Information
  19. 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。
  20. 204 No Content
  21. 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。
  22. 205 Reset Content
  23. 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。
  24. 206 Partial Content
  25. 客户发送了一个带有Range头的GET请求，服务器完成了它。
  26.  
  27.  
  28.  
  29. 3xx:重定向
  30.  
  31. 300 Multiple Choices
  32. 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。
  33. 301 Moved Permanently
  34. 所请求的页面已经转移至新的url。
  35. 302 Moved Temporarily
  36. 所请求的页面已经临时转移至新的url。
  37. 303 See Other
  38. 所请求的页面可在别的url下被找到。
  39. 304 Not Modified
  40. 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。
  41. 305 Use Proxy
  42. 客户请求的文档应该通过Location头所指明的代理服务器提取。
  43. 306 Unused
  44. 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。
  45. 307 Temporary Redirect
  46. 被请求的页面已经临时移至新的url。
  47.  
  48.  
  49.  
  50. 4xx:客户端错误
  51.  
  52. 400 Bad Request
  53. 服务器未能理解请求。
  54. 401 Unauthorized
  55. 被请求的页面需要用户名和密码。
  56. 401.1
  57. 登录失败。
  58. 401.2
  59. 服务器配置导致登录失败。
  60. 401.3
  61. 由于 ACL 对资源的限制而未获得授权。
  62. 401.4
  63. 筛选器授权失败。
  64. 401.5
  65. ISAPI/CGI 应用程序授权失败。
  66. 401.7
  67. 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。
  68. 402 Payment Required
  69. 此代码尚无法使用。
  70. 403 Forbidden
  71. 对被请求页面的访问被禁止。
  72. 403.1
  73. 执行访问被禁止。
  74. 403.2
  75. 读访问被禁止。
  76. 403.3
  77. 写访问被禁止。
  78. 403.4
  79. 要求 SSL。
  80. 403.5
  81. 要求 SSL 128。
  82. 403.6
  83. IP 地址被拒绝。
  84. 403.7
  85. 要求客户端证书。
  86. 403.8
  87. 站点访问被拒绝。
  88. 403.9
  89. 用户数过多。
  90. 403.10
  91. 配置无效。
  92. 403.11
  93. 密码更改。
  94. 403.12
  95. 拒绝访问映射表。
  96. 403.13
  97. 客户端证书被吊销。
  98. 403.14
  99. 拒绝目录列表。
  100. 403.15
  101. 超出客户端访问许可。
  102. 403.16
  103. 客户端证书不受信任或无效。
  104. 403.17
  105. 客户端证书已过期或尚未生效。
  106. 403.18
  107. 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。
  108. 403.19
  109. 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。
  110. 403.20
  111. Passport 登录失败。这个错误代码为 IIS 6.0 所专用。
  112. 404 Not Found
  113. 服务器无法找到被请求的页面。
  114. 404.0
  115. 没有找到文件或目录。
  116. 404.1
  117. 无法在所请求的端口上访问 Web 站点。
  118. 404.2
  119. Web 服务扩展锁定策略阻止本请求。
  120. 404.3
  121. MIME 映射策略阻止本请求。
  122. 405 Method Not Allowed
  123. 请求中指定的方法不被允许。
  124. 406 Not Acceptable
  125. 服务器生成的响应无法被客户端所接受。
  126. 407 Proxy Authentication Required
  127. 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。
  128. 408 Request Timeout
  129. 请求超出了服务器的等待时间。
  130. 409 Conflict
  131. 由于冲突，请求无法被完成。
  132. 410 Gone
  133. 被请求的页面不可用。
  134. 411 Length Required
  135. "Content-Length" 未被定义。如果无此内容，服务器不会接受请求。
  136. 412 Precondition Failed
  137. 请求中的前提条件被服务器评估为失败。
  138. 413 Request Entity Too Large
  139. 由于所请求的实体的太大，服务器不会接受请求。
  140. 414 Request-url Too Long
  141. 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。
  142. 415 Unsupported Media Type
  143. 由于媒介类型不被支持，服务器不会接受请求。
  144. 416 Requested Range Not Satisfiable
  145. 服务器不能满足客户在请求中指定的Range头。
  146. 417 Expectation Failed
  147. 执行失败。
  148. 423
  149. 锁定的错误。
  150.  
  151.  
  152.  
  153. 5xx:服务器错误
  154.  
  155. 500 Internal Server Error
  156. 请求未完成。服务器遇到不可预知的情况。
  157. 500.12
  158. 应用程序正忙于在 Web 服务器上重新启动。
  159. 500.13
  160. Web 服务器太忙。
  161. 500.15
  162. 不允许直接请求 Global.asa。
  163. 500.16
  164. UNC 授权凭据不正确。这个错误代码为 IIS 6.0 所专用。
  165. 500.18
  166. URL 授权存储不能打开。这个错误代码为 IIS 6.0 所专用。
  167. 500.100
  168. 内部 ASP 错误。
  169. 501 Not Implemented
  170. 请求未完成。服务器不支持所请求的功能。
  171. 502 Bad Gateway
  172. 请求未完成。服务器从上游服务器收到一个无效的响应。
  173. 502.1
  174. CGI 应用程序超时。　·
  175. 502.2
  176. CGI 应用程序出错。
  177. 503 Service Unavailable
  178. 请求未完成。服务器临时过载或当机。
  179. 504 Gateway Timeout
  180. 网关超时。
  181. 505 HTTP Version Not Supported
  182. 服务器不支持请求中指明的HTTP协议版本

urllib2

Python中urllib2跟urllib都可以直接导入使用，py3版本以上使用那个urllib3

先写个简单的爬虫百度页面

  1. # _*_ coding:utf-8 _*_
  2. import urllib2
  3.  
  4. #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
  5. response = urllib2.urlopen('http://www.baidu.com/')
  6. #服务器返回的类文件对象支持python文件对象的操作方法
  7. #read()方法就是读取文件里的全部内容，返回字符串
  8. html = response.read()
  9. print html

 

给发送请求的添加头部信息

因为有很多网站都有对头部信息检测，简单的操作如下，具体检测啥就设置啥头部信息

  1. # _*_ coding:utf-8 _*_
  2. import urllib2
  3.  
  4. url = "http://www.baidu.com/"
  5.  
  6. headers = {}
  7. headers['User-Agent'] = 'Mozilla/5.0 (X11; Linux i686; rv:45.0) Gecko/20100101 Firefox/45.0'
  8. headers['Host'] = 'www.baidu.com'
  9.  
  10. #传入URL跟请求头
  11. request = urllib2.Request(url,headers=headers)
  12. response = urllib2.urlopen(request)
  13.  
  14.  
  15. print response.read()
  16. response.close()

 

这样我们就能成功的欺骗对方网站

高级扩展

利用urllib模块的便利，后俩篇文章会跟着书来写几个实用工具

如：

根据开源WEB来枚举目标目录跟暴力枚举

暴力破解HTML表格认证或者叫暴力破解后台帐号密码

 

免责声明：本博客的提供安全工具、程序(方法)可能带有攻击性，仅供安全研究与教学之用，风险自负!

相关文章

发表评论

邮箱地址不会被公开。 必填项已用*标注