Question

我正在使用Python Requests Module对网站进行数据处理。作为数据挖掘的一部分，我必须通过HTTP POST表单并通过检查生成的URL来检查它是否成功。我的问题是，在POST之后，是否可以请求服务器不发送整个页面？我只需要检查URL，但我的程序会下载整个页面并消耗不必要的带宽。代码非常简单

import requests
r = requests.post(URL, payload)
if 'keyword' in r.url:
   success
fail

Answer 1

一个简单的解决方案，如果它可以实现。是低级别的。使用套接字库。例如，您需要在其正文中发送包含一些数据的POST。我在我的Crawler中将它用于一个站点。

import socket
from urllib import quote # POST body is escaped. use quote

req_header = "POST /{0} HTTP/1.1\r\nHost: www.yourtarget.com\r\nUser-Agent: For the lulz..\r\nContent-Type: application/x-www-form-urlencoded; charset=UTF-8\r\nContent-Length: {1}"
req_body = quote("data1=yourtestdata&data2=foo&data3=bar=")
req_url = "test.php"
header = req_header.format(req_url,str(len(req_body))) #plug in req_url as {0} 
                                                       #and length of req_body as Content-length
s = socket.socket(socket.AF_INET,socket.SOCK_STREAM)   #create a socket
s.connect(("www.yourtarget.com",80))                   #connect it
s.send(header+"\r\n\r\n"+body+"\r\n\r\n")              # send header+ two times CR_LF + body + 2 times CR_LF to complete the request

page = ""
while True:
    buf = s.recv(1024) #receive first 1024 bytes(in UTF-8 chars), this should be enought to receive the header in one try
    if not buf:
        break
    if "\r\n\r\n" in page: # if we received the whole header(ending with 2x CRLF) break
        break
    page+=buf
s.close()       # close the socket here. which should close the TCP connection even if data is still flowing in
                # this should leave you with a header where you should find a 302 redirected and then your target URL in "Location:" header statement.

Answer 2

如果您提供更多数据（例如，您尝试请求的示例网址），这将有所帮助。话虽这么说，在我看来，通常你在POST请求后使用以下算法依赖于重定向或HTTP 404错误来检查你是否有正确的URL：

if original_url == returned request url:
    correct url to a correctly made request
else:
    wrong url and a wrongly made request

如果是这种情况，你可以在这里做的是在Python的requests库中使用HTTP HEAD请求（另一种类型的HTTP请求，如GET，POST等）来获取标题，而不是页面正文。然后，您将检查响应代码和重定向URL（如果存在）以查看您是否向有效URL发出请求。

例如：

def attempt_url(url):
    '''Checks the url to see if it is valid, or returns a redirect or error.
    Returns True if valid, False otherwise.'''

    r = requests.head(url)
    if r.status_code == 200:
        return True
    elif r.status_code in (301, 302):
        if r.headers['location'] == url:
            return True
        else:
            return False
    elif r.status_code == 404:
        return False
    else:
        raise Exception, "A status code we haven't prepared for has arisen!"

如果这不是您想要的，那么您的要求的其他详细信息将有所帮助。至少，它可以获取状态代码和标题，而不会提取所有页面数据。

Answer 3

该网站有可能使用Post/Redirect/Get (PRG)模式。如果是这样，那么就足以不遵循重定向并从响应中读取Location标题。

实施例

>>> import requests
>>> response = requests.get('http://httpbin.org/redirect/1', allow_redirects=False)
>>> response.status_code
302
>>> response.headers['location']
'http://httpbin.org/get'

如果您需要有关如果您遵循重定向会得到什么的更多信息，那么您可以在HEAD标题中提供的网址上使用Location。

实施例

>>> import requests
>>> response = requests.get('http://httpbin.org/redirect/1', allow_redirects=False)
>>> response.status_code
302
>>> response.headers['location']
'http://httpbin.org/get'
>>> response2 = requests.head(response.headers['location'])
>>> response2.status_code
200
>>> response2.headers
{'date': 'Wed, 07 Nov 2012 20:04:16 GMT', 'content-length': '352', 'content-type':
'application/json', 'connection': 'keep-alive', 'server': 'gunicorn/0.13.4'}

Python请求 - HTTP POST后是否可以收到部分响应？

3 个答案: