Python requests高级应用：通过HTTP头实现网页筛选功能-Python教程-PHP中文网

Python requests高级应用：通过HTTP头实现网页筛选功能

本文详细介绍了如何使用python的`requests`模块模拟网页上的筛选操作，尤其当筛选条件通过http请求头而非传统的查询参数或请求体传递时。通过分析网络请求，动态获取必要的认证信息（如`location`和`key`），并将其作为自定义http头添加到会话中，最终成功从api获取到经过筛选的数据。文章提供了完整的代码示例和注意事项，帮助读者掌握此类高级网络爬取技巧。

在进行网页数据抓取时，我们经常需要模拟用户在网页上的交互行为，例如点击按钮、输入文本和应用筛选条件。虽然requests模块在处理GET请求的查询参数或POST请求的表单数据方面表现出色，但某些网站会将筛选条件或其他关键参数嵌入到HTTP请求头中。本文将以一个具体的案例——模拟USPS打印机目录网站的筛选功能为例，深入探讨如何识别并利用HTTP请求头来成功实现数据筛选。

1. 问题背景与挑战

通常，当我们需要筛选网页内容时，会尝试在requests.get()或requests.post()方法的params或data参数中设置筛选条件。然而，在某些复杂的单页应用（SPA）或API设计中，筛选逻辑可能通过以下方式实现：

JavaScript动态加载： 页面内容通过JavaScript异步加载，筛选操作也由JavaScript触发，并向后端API发送请求。
HTTP请求头传递参数： 筛选条件不作为URL查询参数或请求体的一部分，而是作为自定义HTTP请求头（Custom HTTP Headers）发送给服务器。

本案例中，用户在USPS打印机目录网站上输入地址后，能够获取到初始搜索结果。但当尝试应用“服务类型”、“距离范围”和“排序方式”等筛选条件时，直接修改URL参数或尝试POST数据均告失败。这表明筛选参数可能隐藏在HTTP请求头中。

2. 识别筛选机制：浏览器开发者工具的应用

要解决这类问题，最关键的步骤是利用浏览器的开发者工具（通常按F12键打开）来观察网络请求。具体步骤如下：

立即学习“Python免费学习笔记（深入）”；

打开开发者工具： 在目标网页上按F12，切换到“Network”（网络）标签页。
模拟用户操作： 在网页上输入搜索地址，并应用所需的筛选条件（例如选择“Printing your mailpiece”、“within 50 miles”）。
观察请求： 当点击“Apply Filters”按钮后，开发者工具会显示新的网络请求。我们需要仔细检查这些请求的：
- URL： 目标API的URL。
- Request Headers（请求头）： 查找是否存在自定义的、与筛选条件相关的请求头。
- Query String Parameters（查询字符串参数）： 检查URL中是否有筛选参数。
- Request Payload（请求负载）： 检查POST请求体中是否有筛选参数。

通过观察，我们发现当应用筛选时，实际向 https://printerdirectory.usps.com/listing/api/vendors 发送的GET请求中，包含了以下重要的自定义HTTP请求头：

radius: 表示距离范围，例如 "50"。
type: 通常是 "key"，表示通过键值对定位。
location: 搜索的地理位置，例如 "New York City, New York, USA"。
key: 一个动态生成的魔术键（magicKey），用于验证位置信息。

其中，location和key是动态的，需要通过前期的地理编码（Geocoding）API请求获取。

AppMall应用商店

AI应用商店，提供即时交付、按需付费的人工智能应用服务

查看详情

3. 动态获取 location 和 key

在进行筛选之前，我们需要先模拟用户输入地址并获取相应的location和key。这通常通过调用一个地理编码建议API来实现。

import requests
import time

# 地理编码建议API的URL
GEOSUGGEST_URL = 'https://gis.usps.com/arcgis/rest/services/locators/EDDM_Composite/GeocodeServer/suggest'
# 目标筛选API的URL
VENDORS_API_URL = 'https://printerdirectory.usps.com/listing/api/vendors'
# 初始页面URL，用于建立会话
BASE_LISTING_URL = 'https://printerdirectory.usps.com/listing/'

def get_location_and_key(session, search_address):
    """
    通过地理编码建议API获取location和key。
    """
    params = {
        'text': search_address,
        'f': 'json'
    }
    # 模拟浏览器User-Agent
    session.headers.update({
        'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/120.0.0.0 Safari/537.36',
        'Accept': 'application/json, text/plain, */*',
        'Accept-Encoding': 'gzip, deflate, br',
        'Accept-Language': 'en-US,en;q=0.9',
        'Origin': 'https://printerdirectory.usps.com',
        'Referer': 'https://printerdirectory.usps.com/'
    })

    try:
        res = session.get(GEOSUGGEST_URL, params=params)
        res.raise_for_status() # 检查HTTP请求是否成功
        suggestions = res.json().get('suggestions')
        if suggestions:
            first_suggestion = suggestions[0]
            return first_suggestion['text'], first_suggestion['magicKey']
        else:
            print(f"未找到 '{search_address}' 的地理编码建议。")
            return None, None
    except requests.exceptions.RequestException as e:
        print(f"获取地理编码建议时发生错误: {e}")
        return None, None

登录后复制

4. 通过HTTP头应用筛选条件

获取到location和key后，我们就可以将它们与其他的筛选条件（如radius和type）一起，作为HTTP请求头添加到requests.Session中，然后向目标API发送请求。

def apply_filters_and_fetch_vendors(session, location, key, radius="50", service_id=1):
    """
    应用筛选条件并获取供应商列表。
    """
    # 设定筛选参数作为HTTP请求头
    filter_headers = {
        "radius": radius,
        "type": "key",
        "location": location,
        "key": key,
        # 其他可能需要的请求头
        'Host': 'printerdirectory.usps.com',
        'Referer': 'https://printerdirectory.usps.com/listing/',
        'Origin': 'https://printerdirectory.usps.com',
        'Accept': 'application/json, text/plain, */*',
        'Accept-Encoding': 'gzip, deflate, br',
        'Accept-Language': 'en-US,en;q=0.9',
    }

    # 更新会话的请求头
    session.headers.update(filter_headers)

    # 某些API可能需要一个noCache参数来防止浏览器缓存
    # unixtime = int(time.time() * 1000)
    # result_params = {'noCache': unixtime} # 实际测试发现此API不需要noCache参数

    try:
        resp = session.get(VENDORS_API_URL) # , params=result_params)
        resp.raise_for_status()
        vendors_data = resp.json().get('vendors', [])

        filtered_vendors = []
        for vendor in vendors_data:
            # 假设 service_id=1 代表 'Printing your mailpiece'
            if service_id in vendor.get('services', []):
                filtered_vendors.append(vendor)
        return filtered_vendors
    except requests.exceptions.RequestException as e:
        print(f"获取供应商数据时发生错误: {e}")
        return []

登录后复制

5. 完整代码示例

将上述逻辑整合，形成一个完整的Python脚本：

import requests
import time

# 定义常量
GEOSUGGEST_URL = 'https://gis.usps.com/arcgis/rest/services/locators/EDDM_Composite/GeocodeServer/suggest'
VENDORS_API_URL = 'https://printerdirectory.usps.com/listing/api/vendors'
BASE_LISTING_URL = 'https://printerdirectory.usps.com/listing/'

def get_location_and_key(session, search_address):
    """
    通过地理编码建议API获取location和key。
    """
    params = {
        'text': search_address,
        'f': 'json'
    }

    # 初始请求头，用于模拟浏览器访问
    initial_headers = {
        'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/120.0.0.0 Safari/537.36',
        'Accept': 'application/json, text/plain, */*',
        'Accept-Encoding': 'gzip, deflate, br',
        'Accept-Language': 'en-US,en;q=0.9',
        'Origin': 'https://printerdirectory.usps.com',
        'Referer': 'https://printerdirectory.usps.com/'
    }
    session.headers.update(initial_headers) # 更新会话的默认请求头

    try:
        res = session.get(GEOSUGGEST_URL, params=params)
        res.raise_for_status() # 检查HTTP请求是否成功
        suggestions = res.json().get('suggestions')
        if suggestions:
            first_suggestion = suggestions[0]
            return first_suggestion['text'], first_suggestion['magicKey']
        else:
            print(f"未找到 '{search_address}' 的地理编码建议。")
            return None, None
    except requests.exceptions.RequestException as e:
        print(f"获取地理编码建议时发生错误: {e}")
        return None, None

def apply_filters_and_fetch_vendors(session, location, key, radius="50", service_id=1):
    """
    应用筛选条件并获取供应商列表。

    Args:
        session (requests.Session): 当前的requests会话。
        location (str): 地理位置字符串。
        key (str): 魔术键。
        radius (str): 距离范围，默认为"50"英里。
        service_id (int): 服务ID，默认为1 (代表'Printing your mailpiece')。

    Returns:
        list: 经过筛选的供应商列表。
    """

    # 设定筛选参数作为HTTP请求头
    filter_headers = {
        "radius": radius,
        "type": "key",
        "location": location,
        "key": key,
        # 其他可能需要的请求头，确保与浏览器发出的请求一致
        'Host': 'printerdirectory.usps.com',
        'Referer': 'https://printerdirectory.usps.com/listing/',
        'Origin': 'https://printerdirectory.usps.com',
        'Accept': 'application/json, text/plain, */*',
        'Accept-Encoding': 'gzip, deflate, br',
        'Accept-Language': 'en-US,en;q=0.9',
    }

    # 更新会话的请求头，这些头将应用于后续的所有请求
    session.headers.update(filter_headers)

    try:
        # 发送GET请求到供应商API
        resp = session.get(VENDORS_API_URL)
        resp.raise_for_status()
        vendors_data = resp.json().get('vendors', [])

        filtered_vendors = []
        for vendor in vendors_data:
            # 根据服务ID进行进一步的Python端筛选
            if service_id in vendor.get('services', []):
                filtered_vendors.append(vendor)
        return filtered_vendors
    except requests.exceptions.RequestException as e:
        print(f"获取供应商数据时发生错误: {e}")
        return []

if __name__ == "__main__":
    search_address = 'New York City, New York, USA'

    with requests.Session() as s:
        # 1. 访问初始页面以建立会话和获取可能的cookie
        s.get(BASE_LISTING_URL)

        # 2. 获取动态的location和key
        location_text, magic_key = get_location_and_key(s, search_address)

        if location_text and magic_key:
            print(f"成功获取到 Location: {location_text}, Key: {magic_key}")

            # 3. 应用筛选条件并获取供应商数据
            # 筛选条件：服务ID为1 (Printing service), 距离50英里内
            filtered_vendors = apply_filters_and_fetch_vendors(
                s, 
                location=location_text, 
                key=magic_key, 
                radius="50", 
                service_id=1
            )

            if filtered_vendors:
                print(f"\n在 '{search_address}' 附近找到 {len(filtered_vendors)} 家提供打印服务的供应商 (50英里内):")
                for i, vendor in enumerate(filtered_vendors, 1):
                    print(f"{i:>3}. {vendor['name']:<40} (ID: {vendor['id']})")
            else:
                print("未找到符合筛选条件的供应商。")
        else:
            print("无法继续，因为未能获取有效的地理位置信息。")

登录后复制

代码说明：

requests.Session()： 使用会话对象非常重要。它允许在多个请求之间保持Cookie和默认请求头，模拟真实用户的浏览过程。
get_location_and_key()： 此函数负责调用地理编码建议API。它接收requests.Session对象和搜索地址，返回location字符串和magicKey。这些值是动态的，并且是后续筛选请求的关键。
apply_filters_and_fetch_vendors()： 此函数将筛选条件（radius、type、location、key）封装到filter_headers字典中。然后，通过session.headers.update()方法将这些自定义请求头添加到会话中。这样，后续对VENDORS_API_URL的请求就会自动带上这些筛选头。
服务ID筛选： 示例中，service_id=1被假定为“Printing your mailpiece”服务。实际的筛选逻辑可能需要根据API返回的数据结构进行调整。代码中在获取所有供应商数据后，进行了Python端的二次筛选，以确保只显示提供特定服务的供应商。
错误处理： 使用res.raise_for_status()来检查HTTP请求是否成功（状态码200），并在失败时抛出异常，方便调试。

6. 注意事项与总结

动态参数的重要性： location和key是动态生成的，不能硬编码。必须通过前期的API调用动态获取。
HTTP请求头是关键： 本案例的核心在于识别出筛选条件是通过HTTP请求头传递的。在遇到传统方法无效时，务必检查请求头。
开发者工具是利器： 熟练使用浏览器开发者工具的“Network”标签页是进行网络爬取和API逆向工程的必备技能。它能帮助我们洞察真实的用户交互背后隐藏的HTTP请求细节。
API稳定性： 网站的API结构可能会发生变化。如果脚本突然失效，首先应检查目标网站是否有更新，并重新分析网络请求。
User-Agent和Referer： 模拟真实的User-Agent和Referer等请求头有助于避免被服务器识别为爬虫并阻止访问。
会话管理： requests.Session在处理需要保持状态（如Cookie、自定义Header）的复杂交互场景中至关重要。