Python爬虫技术–基础篇–Web开发(中)-基于python的网络爬虫技术

405次阅读
没有评论

1.WSGI接口

了解了HTTP协议和HTML文档,我们其实就明白了一个Web应用的本质就是:

  • 浏览器发送一个HTTP请求;
  • 服务器收到请求,生成一个HTML文档;
  • 服务器把HTML文档作为HTTP响应的Body发送给浏览器;
  • 浏览器收到HTTP响应,从HTTP Body取出HTML文档并显示。
  • 所以,最简单的Web应用就是先把HTML用文件保存好,用一个现成的HTTP服务器软件,接收用户请求,从文件中读取HTML,返回。Apache、Nginx、Lighttpd等这些常见的静态服务器就是干这件事情的。

    如果要动态生成HTML,就需要把上述步骤自己来实现。不过,接受HTTP请求、解析HTTP请求、发送HTTP响应都是苦力活,如果我们自己来写这些底层代码,还没开始写动态HTML呢,就得花个把月去读HTTP规范。

    正确的做法是底层代码由专门的服务器软件实现,我们用Python专注于生成HTML文档。因为我们不希望接触到TCP连接、HTTP原始请求和响应格式,所以,需要一个统一的接口,让我们专心用Python编写Web业务。

    这个接口就是WSGI:Web Server Gateway Interface。

    WSGI接口定义非常简单,它只要求Web开发者实现一个函数,就可以响应HTTP请求。我们来看一个最简单的Web版本的“Hello, web!”:

    def application(environ, start_response):
    start_response(‘200 OK’, [(‘Content-Type’, ‘text/html’)])
    return [b’Hello, web!’]

    上面的​​application()​​函数就是符合WSGI标准的一个HTTP处理函数,它接收两个参数:

    • environ:一个包含所有HTTP请求信息的​​dict​​对象;
    • start_response:一个发送HTTP响应的函数。

    在​​application()​​函数中,调用:

    start_response(‘200 OK’, [(‘Content-Type’, ‘text/html’)])

    就发送了HTTP响应的Header,注意Header只能发送一次,也就是只能调用一次​​start_response()​​​函数。​​start_response()​​​函数接收两个参数,一个是HTTP响应码,一个是一组​​list​​​表示的HTTP Header,每个Header用一个包含两个​​str​​​的​​tuple​​表示。

    通常情况下,都应该把​​Content-Type​​头发送给浏览器。其他很多常用的HTTP Header也应该发送。

    然后,函数的返回值​​b'<h1>Hello, web!</h1>’​​将作为HTTP响应的Body发送给浏览器。

    有了WSGI,我们关心的就是如何从​​environ​​​这个​​dict​​​对象拿到HTTP请求信息,然后构造HTML,通过​​start_response()​​发送Header,最后返回Body。

    整个​​application()​​函数本身没有涉及到任何解析HTTP的部分,也就是说,底层代码不需要我们自己编写,我们只负责在更高层次上考虑如何响应请求就可以了。

    不过,等等,这个​​application()​​​函数怎么调用?如果我们自己调用,两个参数​​environ​​​和​​start_response​​​我们没法提供,返回的​​bytes​​也没法发给浏览器。

    所以​​application()​​​函数必须由WSGI服务器来调用。有很多符合WSGI规范的服务器,我们可以挑选一个来用。但是现在,我们只想尽快测试一下我们编写的​​application()​​函数真的可以把HTML输出到浏览器,所以,要赶紧找一个最简单的WSGI服务器,把我们的Web应用程序跑起来。

    好消息是Python内置了一个WSGI服务器,这个模块叫wsgiref,它是用纯Python编写的WSGI服务器的参考实现。所谓“参考实现”是指该实现完全符合WSGI标准,但是不考虑任何运行效率,仅供开发和测试使用。

    运行WSGI服务

    我们先编写​​hello.py​​,实现Web应用程序的WSGI处理函数:

    # hello.py

    def application(environ, start_response):
    start_response(‘200 OK’, [(‘Content-Type’, ‘text/html’)])
    return [b’Hello, web!’]

    然后,再编写一个​​server.py​​​,负责启动WSGI服务器,加载​​application()​​函数:

    # server.py
    # 从wsgiref模块导入:
    from wsgiref.simple_server import make_server
    # 导入我们自己编写的application函数:
    from hello import application

    # 创建一个服务器,IP地址为空,端口是8000,处理函数是application:
    httpd = make_server(”, 8000, application)
    print(‘Serving HTTP on port 8000…’)
    # 开始监听HTTP请求:
    httpd.serve_forever()

    确保以上两个文件在同一个目录下,然后在命令行输入​​python server.py​​来启动WSGI服务器:

    Python爬虫技术--基础篇--Web开发(中)-基于python的网络爬虫技术

    注意:如果​​8000​​端口已被其他程序占用,启动将失败,请修改成其他端口。

    启动成功后,打开浏览器,输入​​http://localhost:8000/​​,就可以看到结果了:

    Python爬虫技术--基础篇--Web开发(中)-基于python的网络爬虫技术

    在命令行可以看到wsgiref打印的log信息:

    Python爬虫技术--基础篇--Web开发(中)-基于python的网络爬虫技术

    按​​Ctrl+C​​终止服务器。

    如果你觉得这个Web应用太简单了,可以稍微改造一下,从​​environ​​​里读取​​PATH_INFO​​,这样可以显示更加动态的内容:

    # hello.py

    def application(environ, start_response):
    start_response(‘200 OK’, [(‘Content-Type’, ‘text/html’)])
    body = ‘Hello, %s!’ % (environ[‘PATH_INFO’][1:] or ‘web’)
    return [body.encode(‘utf-8’)]

    你可以在地址栏输入用户名作为URL的一部分,将返回​​Hello, xxx!​​:

    Python爬虫技术--基础篇--Web开发(中)-基于python的网络爬虫技术

    是不是有点Web App的感觉了?

    小结

    无论多么复杂的Web应用程序,入口都是一个WSGI处理函数。HTTP请求的所有输入信息都可以通过​​environ​​​获得,HTTP响应的输出都可以通过​​start_response()​​加上函数返回值作为Body。

    复杂的Web应用程序,光靠一个WSGI函数来处理还是太底层了,我们需要在WSGI之上再抽象出Web框架,进一步简化Web开发。

    神龙|纯净稳定代理IP免费测试>>>>>>>>天启|企业级代理IP免费测试>>>>>>>>IPIPGO|全球住宅代理IP免费测试

    相关文章:

    版权声明:Python教程2022-11-01发表,共计2862字。
    新手QQ群:570568346,欢迎进群讨论 Python51学习