URL编码与解码

一．parse.urlencode() 与parse.unquote()

urllib 和urllib.request都是接受URL请求的相关模块，但是提供了不同的功能。两个最显著的不同如下：

1.urllib 仅可以接受URL，不能创建 设置了headers 的Request 类实例；

2.但是 urllib 提供 urlencode 方法用来GET查询字符串的产生，而urllib.request 则没有。（这是 urllib 和urllib.request 经常一起使用的主要原因）

3.编码工作使用urllib的parse.urlencode()函数，帮我们将key:value这样的键值对转换成"key=value"这样的字符串，解码工作可以使用urllib的parse.unquote()函数。（注意，不是urllib.request.urlencode() )

例子一

#导入parse模块

from urllib import parse

import urllib.request

url = 'https://www.baidu.com/s?'

#定义一个字典

wd ={"wd":"传智播客"}

# urlencode() 接受的参数是一个字典

pw=parse.urlencode(wd)

print(pw)

wd1 ={"wd1":"传"}

pw1=parse.urlencode(wd1)

print(pw1)

wd2={"wd2":"智"}

pw2=parse.urlencode(wd2)

print(pw2)

wd3={"wd3":"播"}

pw3=parse.urlencode(wd3)

print(pw3)

wd4={"wd4":"客"}

pw4=parse.urlencode(wd4)

print(pw4)

# 通过parse.unquote()方法进行解码，把 URL编码字符串，转换回原先字符串。

print(parse.unquote("wd=%E4%BC%A0%E6%99%BA%E6%92%AD%E5%AE%A2"))

运行的结果：

wd=%E4%BC%A0%E6%99%BA%E6%92%AD%E5%AE%A2

wd1=%E4%BC%A0

wd2=%E6%99%BA

wd3=%E6%92%AD

wd4=%E5%AE%A2

wd=传智播客

二．URL编码与解码工具

http://tool.chinaz.com/Tools/urlencode.aspx

URL编码与解码

三．一般HTTP请求提交数据，需要编码成 URL编码格式，然后做为url的一部分，或者作为参数传到Request对象中。

Get方式

urllib库与urllib.request库的结合应用

例子一：贴吧小爬虫案例

from urllib import parse

import urllib.request

url ='https://www.baidu.com/s'

header={"User-Agent": "Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/66.0.3359.139 Safari/537.36"

}

keyword = input("请输入需要查询的字符串：")

wd={"wd":keyword }

wd=parse.urlencode(wd)

#拼接完整的URL

fullurl =url+"?"+wd

print(fullurl)

# url 作为Request()方法的参数，构造并返回一个Request对象

request = urllib.request.Request(fullurl,headers=header)

# Request对象作为urlopen()方法的参数，发送给服务器并接收响应

response = urllib.request.urlopen(request)

html = response.read()

print(html)

运行结果：

例子二：批量爬取贴吧页面数据

第一步：先观察贴吧各页之间的规律

第一页：http://tieba.baidu.com/f?kw=lol&ie=utf-8&pn=0

第二页： http://tieba.baidu.com/f?kw=lol&ie=utf-8&pn=50

第三页： http://tieba.baidu.com/f?kw=lol&ie=utf-8&pn=100

从中得出分页之间的规律：pn = (page - 1) * 50

步骤分析：

简单写一个小爬虫程序，来爬取百度贴吧的所有网页。

先写一个main，提示用户输入要爬取的贴吧名，并用parse.urlencode()进行转码，然后组合url，假设是lol吧，那么组合后的url就是：http://tieba.baidu.com/f?kw=lol

# 模拟 main 函数

if __name__ == "__main__":

kw = input("请输入需要爬取的贴吧:")

# 输入起始页和终止页，str转成int类型

beginPage = int(input("请输入起始页："))

endPage = int(input("请输入终止页："))

url = "http://tieba.baidu.com/f?"

key = parse.urlencode({"kw" : kw})

# 组合后的url示例：http://tieba.baidu.com/f?kw=lol

url = url + key

print(url)

tiebaSpider(url, beginPage, endPage)

接下来，我们写一个百度贴吧爬虫接口，我们需要传递3个参数给这个接口， 一个是main里组合的url地址，以及起始页码和终止页码，表示要爬取页码的范围。

def tiebaSpider(url, beginPage, endPage):

"""

作用：负责处理url，分配每个url去发送请求

url：需要处理的第一个url

beginPage: 爬虫执行的起始页面

endPage: 爬虫执行的截止页面

"""

for page in range(beginPage, endPage + 1):

pn = (page - 1) * 50

filename = "第" + str(page) + "页.html"

# 组合为完整的 url，并且pn值每次增加50

fullurl = url + "&pn=" + str(pn)

print(fullurl)

print(filename)

#print fullurl

# 调用loadPage()发送请求获取HTML页面

html = loadPage(fullurl, filename)

# 将获取到的HTML页面写入本地磁盘文件

writeFile(html, filename)

写一个爬取网页的函数loadPage

def loadPage(url, filename):

'''

作用：根据url发送请求，获取服务器响应文件

url：需要爬取的url地址

filename: 处理的文件名

'''

print("正在下载" + filename)

headers = {"User-Agent": "Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/66.0.3359.139 Safari/537.36"

}

request = urllib.request.Request(url, headers = headers)

response = urllib.request.urlopen(request)

return response.read()

最后如果我们希望将爬取到了每页的信息存储在本地磁盘上，我们可以简单写一个存储文件的接口。

def writeFile(html, filename):

"""

作用：保存服务器响应文件到本地磁盘文件里

html: 服务器响应文件

filename: 本地磁盘文件名

"""

print "正在存储" + filename

with open(filename, 'w') as f:

f.write(html)

print "-" * 20

 

完整的程序实现：

__author__ = 'Administrator'

# date: 2018/5/13

from urllib import parse

import urllib.request

def loadPage(url, filename):

'''

作用：根据url发送请求，获取服务器响应文件

url：需要爬取的url地址

filename: 处理的文件名

'''

print("正在下载" + filename)

headers = {"User-Agent": "Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/66.0.3359.139 Safari/537.36"

}

request = urllib.request.Request(url, headers = headers)

response = urllib.request.urlopen(request)

return response.read()

def writeFile(html, filename):

"""

作用：保存服务器响应文件到本地磁盘文件里

html: 服务器响应文件

filename: 本地磁盘文件名

"""

print("正在存储" + filename)

with open(filename, 'w') as f:

f.write(html)

print("-" * 20)

def tiebaSpider(url, beginPage, endPage):

"""

作用：负责处理url，分配每个url去发送请求

url：需要处理的第一个url

beginPage: 爬虫执行的起始页面

endPage: 爬虫执行的截止页面

"""

for page in range(beginPage, endPage + 1):

pn = (page - 1) * 50

filename = "第" + str(page) + "页.html"

# 组合为完整的 url，并且pn值每次增加50

fullurl = url + "&pn=" + str(pn)

print(fullurl)

print(filename)

#print fullurl

# 调用loadPage()发送请求获取HTML页面

html = loadPage(fullurl, filename)

# 将获取到的HTML页面写入本地磁盘文件

writeFile(html, filename)

# 模拟 main 函数

if __name__ == "__main__":

kw = input("请输入需要爬取的贴吧:")

# 输入起始页和终止页，str转成int类型

beginPage = int(input("请输入起始页："))

endPage = int(input("请输入终止页："))

url = "http://tieba.baidu.com/f?"

key = parse.urlencode({"kw" : kw})

# 组合后的url示例：http://tieba.baidu.com/f?kw=lol

url = url + key

print(url)

tiebaSpider(url, beginPage, endPage)