python爬蟲實現POST request payload形式的請求

1. 背景

最近在爬取某個站點時，發現在POST數據時，使用的數據格式是request payload，有別於之前常見的 POST數據格式（Form data）。而使用Form data數據的提交方式時，無法提交成功。

1.1. Http請求中Form Data 和 Request Payload的區別

AJAX Post請求中常用的兩種傳參數的形式：form data 和 request payload

1.1.1. Form data

get請求的時候，我們的參數直接反映在url裡面，形式為key1=value1&key2=value2形式，比如：

http://news.baidu.com/ns?word=NBA&tn=news&from=news&cl=2&rn=20&ct=1

而如果是post請求，那麼表單參數是在請求體中，也是以key1=value1&key2=value2的形式在請求體中。通過chrome的開發者工具可以看到，如下：

RequestURL:http://127.0.0.1:8080/test/test.do Request Method:POST Status Code:200 OK Request Headers Accept:text/html,application/xhtml+xml,application/xml;q=0.9,image/webp,*/*;q=0.8 Accept-Encoding:gzip,deflate,sdch Accept-Language:zh-CN,zh;q=0.8,en;q=0.6 AlexaToolbar-ALX_NS_PH:AlexaToolbar/alxg-3.2 Cache-Control:max-age=0 Connection:keep-alive Content-Length:25 Content-Type:application/x-www-form-urlencoded Cookie:JSESSIONID=74AC93F9F572980B6FC10474CD8EDD8D Host:127.0.0.1:8080 Origin:http://127.0.0.1:8080 Referer:http://127.0.0.1:8080/test/index.jsp User-Agent:Mozilla/5.0 (Windows NT 6.1)AppleWebKit/537.36 (KHTML, like Gecko) Chrome/33.0.1750.149 Safari/537.36 Form Data name:mikan address:street Response Headers Content-Length:2 Date:Sun, 11 May 2014 11:05:33 GMT Server:Apache-Coyote/1.1

這裡要注意post請求的Content-Type為application/x-www-form-urlencoded（默認的），參數是在請求體中，即上面請求中的Form Data。

前端代碼：提交數據

xhr.setRequestHeader("Content-type","application/x-www-form-urlencoded");

xhr.send("name=foo&value=bar");

後端代碼：接收提交的數據。在servlet中，可以通過request.getParameter(name)的形式來獲取表單參數。

/** * 獲取httpRequest的參數 * * @param request * @param name * @return */ protected String getParameterValue(HttpServletRequest request, String name) { return StringUtils.trimToEmpty(request.getParameter(name)); }

1.1.2. Request payload

如果使用原生AJAX POST請求的話，那麼請求在chrome的開發者工具的表現如下，主要是參數在

Remote Address:192.168.234.240:80 Request URL:http://tuanbeta3.XXX.com/qimage/upload.htm Request Method:POST Status Code:200 OK Request Headers Accept:application/json, text/javascript, */*; q=0.01 Accept-Encoding:gzip,deflate,sdch Accept-Language:zh-CN,zh;q=0.8,en;q=0.6 Connection:keep-alive Content-Length:151 Content-Type:application/json;charset=UTF-8 Cookie:JSESSIONID=E08388788943A651924CA0A10C7ACAD0 Host:tuanbeta3.XXX.com Origin:http://tuanbeta3.XXX.com Referer:http://tuanbeta3.XXX.com/qimage/customerlist.htm?menu=19 User-Agent:Mozilla/5.0 (X11; Linux x86_64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/35.0.1916.114 Safari/537.36 X-Requested-With:XMLHttpRequest Request Payload [{widthEncode:NNNcaXN, heightEncode:NNNN5NN, displayUrl:201409/03/66I5P266rtT86oKq6,…}] Response Headers Connection:keep-alive Content-Encoding:gzip Content-Type:application/json;charset=UTF-8 Date:Thu, 04 Sep 2014 06:49:44 GMT Server:nginx/1.4.7 Transfer-Encoding:chunked Vary:Accept-Encoding

注意請求的Content-Type是application/json;charset=UTF-8，而請求表單的參數在Request Payload中。

後端代碼：獲取數據（這裡使用org.apache.commons.io.）：

/** * 從 request 獲取 payload 數據 * * @param request * @return * @throws IOException */ private String getRequestPayload(HttpServletRequest request) throws IOException { return IOUtils.toString(request.getReader()); }

1.1.3. 二者區別

如果一個請求的Content-Type設置為application/x-www-form-urlencoded，那麼這個Post請求會被認為是Http Post表單請求，那麼請求主體將以一個標準的鍵值對和&的querystring形式出現。這種方式是HTML表單的默認設置，所以在過去這種方式更加常見。

其他形式的POST請求，是放到 Request payload 中（現在是為了方便閱讀，使用了Json這樣的數據格式），請求的Content-Type設置為application/json;charset=UTF-8或者不指定。

2. 環境

python 3.6.1

系統：win7

IDE：pycharm

requests 2.14.2

scrapy 1.4.0

3. 使用requests模塊post payload請求

import json import requests import datetime postUrl = 'https://sellercentral.amazon.com/fba/profitabilitycalculator/getafnfee?profitcalcToken=en2kXFaY81m513NydhTZ9sdb6hoj3D' # payloadData數據 payloadData = { 'afnPriceStr': 10, 'currency':'USD', 'productInfoMapping': { 'asin': 'B072JW3Z6L', 'dimensionUnit': 'inches', } } # 請求頭設置 payloadHeader = { 'Host': 'sellercentral.amazon.com', 'Content-Type': 'application/json', } # 下載超時 timeOut = 25 # 代理 proxy = "183.12.50.118:8080" proxies = { "http": proxy, "https": proxy, } r = requests.post(postUrl, data=json.dumps(payloadData), headers=payloadHeader) dumpJsonData = json.dumps(payloadData) print(f"dumpJsonData = {dumpJsonData}") res = requests.post(postUrl, data=dumpJsonData, headers=payloadHeader, timeout=timeOut, proxies=proxies, allow_redirects=True) # 下面這種直接填充json參數的方式也OK # res = requests.post(postUrl, json=payloadData, headers=header) print(f"responseTime = {datetime.datetime.now()}, statusCode = {res.status_code}, res text = {res.text}")

4. 在scrapy中post payload請求

這兒有個壞消息，那就是scrapy目前還不支持payload這種request請求。而且scrapy對formdata的請求也有很嚴格的要求，具體可以參考這篇文章：https://www.jb51.net/article/185824.htm

4.1. 分析scrapy源碼

參考註解

# 文件：E:MinicondaLibsite-packagesscrapyhttp equestform.py class FormRequest(Request): def __init__(self, *args, **kwargs): formdata = kwargs.pop('formdata', None) if formdata and kwargs.get('method') is None: kwargs['method'] = 'POST' super(FormRequest, self).__init__(*args, **kwargs) if formdata: items = formdata.items() if isinstance(formdata, dict) else formdata querystr = _urlencode(items, self.encoding) # 這兒寫死了，當提交數據時，設置好Content-Type，也就是form data類型 # 就算改寫這兒，後面也沒有對 json數據解析的處理 if self.method == 'POST': self.headers.setdefault(b'Content-Type', b'application/x-www-form-urlencoded') self._set_body(querystr) else: self._set_url(self.url + ('&' if '?' in self.url else '?') + querystr)

4.2. 思路：在scrapy中嵌入requests模塊

分析請求

返回的查詢結果

第一步：在爬蟲中構造請求，把所有的參數以及必要信息帶進去。

返回的查詢結果

第一步：在爬蟲中構造請求，把所有的參數以及必要信息帶進去。

# 文件 mySpider.py中 payloadData = {} payloadData['afnPriceStr'] = 0 payloadData['currency'] = asinInfo['currencyCodeHidden'] payloadData['futureFeeDate'] = asinInfo['futureFeeDateHidden'] payloadData['hasFutureFee'] = False payloadData['hasTaxPage'] = True payloadData['marketPlaceId'] = asinInfo['marketplaceIdHidden'] payloadData['mfnPriceStr'] = 0 payloadData['mfnShippingPriceStr'] = 0 payloadData['productInfoMapping'] = {} payloadData['productInfoMapping']['asin'] = dataFieldJson['asin'] payloadData['productInfoMapping']['binding'] = dataFieldJson['binding'] payloadData['productInfoMapping']['dimensionUnit'] = dataFieldJson['dimensionUnit'] payloadData['productInfoMapping']['dimensionUnitString'] = dataFieldJson['dimensionUnitString'] payloadData['productInfoMapping']['encryptedMarketplaceId'] = dataFieldJson['encryptedMarketplaceId'] payloadData['productInfoMapping']['gl'] = dataFieldJson['gl'] payloadData['productInfoMapping']['height'] = dataFieldJson['height'] payloadData['productInfoMapping']['imageUrl'] = dataFieldJson['imageUrl'] payloadData['productInfoMapping']['isAsinLimits'] = dataFieldJson['isAsinLimits'] payloadData['productInfoMapping']['isWhiteGloveRequired'] = dataFieldJson['isWhiteGloveRequired'] payloadData['productInfoMapping']['length'] = dataFieldJson['length'] payloadData['productInfoMapping']['link'] = dataFieldJson['link'] payloadData['productInfoMapping']['originalUrl'] = dataFieldJson['originalUrl'] payloadData['productInfoMapping']['productGroup'] = dataFieldJson['productGroup'] payloadData['productInfoMapping']['subCategory'] = dataFieldJson['subCategory'] payloadData['productInfoMapping']['thumbStringUrl'] = dataFieldJson['thumbStringUrl'] payloadData['productInfoMapping']['title'] = dataFieldJson['title'] payloadData['productInfoMapping']['weight'] = dataFieldJson['weight'] payloadData['productInfoMapping']['weightUnit'] = dataFieldJson['weightUnit'] payloadData['productInfoMapping']['weightUnitString'] = dataFieldJson['weightUnitString'] payloadData['productInfoMapping']['width'] = dataFieldJson['width'] # https://sellercentral.amazon.com/fba/profitabilitycalculator/getafnfee?profitcalcToken=en2kXFaY81m513NydhTZ9sdb6hoj3D postUrl = f"https://sellercentral.amazon.com/fba/profitabilitycalculator/getafnfee?profitcalcToken={asinInfo['tokenValue']}" payloadHeader = { 'Host': 'sellercentral.amazon.com', 'Content-Type': 'application/json', } # scrapy源碼：self.headers.setdefault(b'Content-Type', b'application/x-www-form-urlencoded') print(f"payloadData = {payloadData}") # 這個request並不真正用來調度，去發出請求，因為這種方式構造方式，是無法提交成功的，會返回404錯誤 # 這樣構造主要是把查詢參數提交出去，在下載中間件部分用request模塊下載，用 “payloadFlag” 標記這種request yield Request(url = postUrl, headers = payloadHeader, meta = {'payloadFlag': True, 'payloadData': payloadData, 'headers': payloadHeader, 'asinInfo': asinInfo}, callback = self.parseAsinSearchFinallyRes, errback = self.error, dont_filter = True )

第二步：在中間件中，用requests模塊處理這個請求

# 文件：middlewares.py class PayLoadRequestMiddleware: def process_request(self, request, spider): # 如果有的請求是帶有payload請求的，在這個裡面處理掉 if request.meta.get('payloadFlag', False): print(f"PayLoadRequestMiddleware enter") postUrl = request.url headers = request.meta.get('headers', {}) payloadData = request.meta.get('payloadData', {}) proxy = request.meta['proxy'] proxies = { "http": proxy, "https": proxy, } timeOut = request.meta.get('download_timeout', 25) allow_redirects = request.meta.get('dont_redirect', False) dumpJsonData = json.dumps(payloadData) print(f"dumpJsonData = {dumpJsonData}") # 發現這個居然是個同步 阻塞的過程，太過影響速度了 res = requests.post(postUrl, data=dumpJsonData, headers=headers, timeout=timeOut, proxies=proxies, allow_redirects=allow_redirects) # res = requests.post(postUrl, json=payloadData, headers=header) print(f"responseTime = {datetime.datetime.now()}, res text = {res.text}, statusCode = {res.status_code}") if res.status_code > 199 and res.status_code < 300: # 返回Response，就進入callback函數處理，不會再去下載這個請求 return HtmlResponse(url=request.url, body=res.content, request=request, # 最好根據網頁的具體編碼而定 encoding='utf-8', status=200) else: print(f"request mode getting page error, Exception = {e}") return HtmlResponse(url=request.url, status=500, request=request)

4.3. 遺留下的問題

scrapy之所以強大，就是因為併發度高。大家都知道，由於Python GIL的原因，導致python無法通過多線程來提高性能。但是至少可以做到下載與解析同步的過程，在下載空檔的時候，進行數據的解析，調度等等，這都歸功於scrapy採用的異步結構。

但是，我們在中間件中使用requests模塊進行網頁下載，因為這是個同步過程，所以會阻塞在這個地方，拉低了整個爬蟲的效率。

所以，需要根據項目具體的情況，來決定合適的方案。當然這裡又涉及到一個新的話題，就是scrapy提供的兩種爬取模式：深度優先模式和廣度優先模式。如何儘可能最大限度的利用scrapy的併發？在環境不穩定的情形下如何保證儘可能穩定的拿到數據？

深度優先模式和廣度優先模式是在settings中設置的。

# 文件： settings.py # DEPTH_PRIORITY（默認值為0）設置為一個正值後，Scrapy的調度器的隊列就會從LIFO變成FIFO，因此抓取規則就由DFO（深度優先）變成了BFO（廣度優先） DEPTH_PRIORITY = 1, # 廣度優先（肯呢個會累積大量的request，累計佔有大量的內存，最終數據也在最後一批爬取）

深度優先：DEPTH_PRIORITY = 0

廣度優先：DEPTH_PRIORITY = 1

想將這個過程做成異步的，一直沒有思路，歡迎大神提出好的想法