利用python爬虫(part2)--urllib.parse模块

学习笔记

文章目录

URL地址编码模块
- 作用
- 常用的方法
- - urllib.parse.utlencode({dict})
  - urllib.parse.quote(string)编码
  - urllib.parse.unquote(string)解码

URL地址编码模块

模块

urllib.parse

作用

对URL地址中的查询参数进行编码。

比如，我们在百度中查询【垂耳兔】：

可以看到其URL地址(编码前)：

https://www.baidu.com/s?wd=垂耳兔&rsv_spt=1&rsv_iqid=0xe5d979f300027bbc&issp=1&f=8&rsv_bp=1&rsv_idx=2&ie=utf-8&rqlang=cn&tn=baiduhome_pg&rsv_enter=0&rsv_dl=tb&rsv_t=1e54j7VuDW5lTX6%2B7OlhbhlIKUVoVOH%2F2LuYPHgQU46Iab8FfpjQiHRIouHM3DEMCAug&oq=%E5%9E%82%E8%80%B3%E5%85%94&rsv_pq=872089960004898e

我们看到了一堆查询参数，太多了！需要注意的是，这里仅有一部分查询参数是我们需要的，而有些则是不需要的。一般来说【wd=垂耳兔】这个参数，我们肯定是需要的，因为这个参数包含了我们要查询的内容。

当我们向网站发起请求时，肯定不能传递这样的URL地址，URL地址需要符合一定的传输协议。此时，我们需要对这个URL地址进行编码，来满足请求规则。

常用的方法

urllib.parse.utlencode({dict})

我们看到urllib.parse utlencode()方法的参数中有一个字典，这个字典里可以放查询参数。

比如,我们可以设置参数为如下字典：

{'wd':'垂耳兔'}

urllib.parse utlencode()方法可以对字典中的查询参数进行编码，将其转换成满足请求规则的URL地址。

举个例子

我们设置查询参数，在百度搜索上查询【垂耳兔】：

from urllib import request
from urllib import parseurl = 'http://www.baidu.com/s?'
headers = {'User-Agent':'Mozilla/5.0'}query_string = parse.urlencode({'wd':'垂耳兔'})
url_com = url + query_stringreq = request.Request(url = url_com, headers = headers)response = request.urlopen(req)html = response.read().decode('utf-8')
print(html)

部分结果：

<!DOCTYPE html>
<html lang="zh-CN">
<head><meta charset="utf-8"><title>百度安全验证</title>

可以看到，百度返回信息，需要我们进行验证，嘤嘤嘤，可能是我被百度识破了伪装。哎…不管怎样，我们先试着验证一下，再看看有没有拿到查询结果：

嗯，验证后的确拿到了查询结果：

接下来，我们可以在百度中不停的翻页，查看不同页面中的url有什么变化，从而判断各个查询参数有什么作用.

我们发现，当我们翻页到第2页时，pn参数变为10，当我们翻页到第3页时，pn参数变为20：

由此，我们发现，pn参数应该可以控制页数。

现在我们再敲一段代码，设置pn查询参数值为20，来指定查询结果页数：

from urllib import request
from urllib import parsemy_url = 'http://www.baidu.com/s?'
headers = {'User-Agent':'Mozilla/5.0'}
query_string_dict = {'wd':'垂耳兔','pn': 20}query_string = parse.urlencode(query_string_dict)
url_com = my_url + query_stringreq = request.Request(url = url_com, headers = headers)response = request.urlopen(req)html = response.read().decode('utf-8')
print(html)

部分结果：

<!DOCTYPE html>
<html lang="zh-CN">
<head><meta charset="utf-8"><title>百度安全验证</title>

没错，又需要验证，才能获取网页，这个问题，我们之后再解决，现在为了学查询参数这个知识点，我先忍着。

验证后获取的网页：

可以看到，我们成功获取了第3页的查询结果。

需要注意的是，我们看到URL中各个查询参数之间都是通过【&】进行拼接的，我们在代码中不手动添加【&】真的可以吗？答案是可以的，在用urllib.parse utlencode()方法进行编码时，它会自动的在各个查询参数之间添加【&】,我们来验证一下：

query_string_dict = {'wd':'垂耳兔','pn': 20}query_string = parse.urlencode(query_string_dict)
print(query_string)

结果：

  wd=%E5%9E%82%E8%80%B3%E5%85%94&pn=20

案例

在这个案例中，我们要将查询结果存在一个HTML文件中。为了避免，通过程序向百度发送请求，结果要验证的尴尬情景，我们换一个搜索引擎，爬取查询结果，那么就用搜狗吧！

我们首先在浏览器中查询【垂耳兔】：

我们看到，貌似需要用到query查询参数。

我们在浏览器中翻到第3页：

可以看到，page查询参数变为了3，由此我们判断，这个page参数可以控制页数。

接下来，我们通过程序来查询【垂耳兔】，并查看第3页的查询结果：

from urllib import request
from urllib import parsemy_url = 'https://www.sogou.com/web?'
headers = {'User-Agent':'Mozilla/5.0'}
query_string_dict = {'query':'垂耳兔','page':3}query_string = parse.urlencode(query_string_dict)
url_com = my_url + query_stringreq = request.Request(url = url_com, headers = headers)response = request.urlopen(req)html = response.read().decode('utf-8')
print(html)

部分结果：

        <div class="str_info_div"><p class="str_info"><span class="str-c-txt blue-color" style ="display:none" id="sogou_vr_30000909_pink_1"><strong>[</strong><i>图文</i><strong>]</strong></span>                    <em><!--red_beg-->垂耳兔<!--red_end--></em>是宠物兔中非常流行的品种，它最大的特点就是有着一对垂着的耳朵。其可爱萌萌的样子实在让人忍不住想要马上把它抱回家饲养。在饲养<em><!--red_beg-->垂耳兔<!--red_end--></em>之前，了解一些相关知...</p><div class="fb" ><cite id="cacheresult_info_1">太平洋时尚网 - pet.pclady.com.cn/1...&nbsp;-&nbsp;2016-8-1</cite>&nbsp;-&nbsp;<!--resultsnap_beg--><a target="_blank" style="color: #666666;" href="http://snapshot.sogoucdn.com/websnapshot?ie=utf8&url=http%3A%2F%2Fpet.pclady.com.cn%2F155%2F1554499.html&did=c103019d5b6c85bf-a459bc045d54e056-6e9a7b6e8e4014d44eeae2ab2434a020&k=d03273cdb123cc84b7d5ef1b12c8f90c&encodedQuery=%E5%9E%82%E8%80%B3%E5%85%94&query=%E5%9E%82%E8%80%B3%E5%85%94&&w=01020400&m=0&st=1" id="sogou_snapshot_1"><!--resultsnap_end-->快照</a></div>

可以看到，我们的确获取到了查询页面。

接下来我们将查询到的页面,用gb18030编码格式，保存成HTML文件：

#gbk-gb2312-gb18030
with open('ChuiRr.html', 'w', encoding = 'gb18030') as f:f.write(html)

我们用Sublime检查一下，刚刚创建的ChuiEr.html文件：

再用Chrome浏览器打开这个HTML文件：

虽然打开了，但是乱码了~ 这个问题依然留下来，以后解决。

urllib.parse.quote(string)编码

urllib.parse.quote()方法可以对字符串进行编码。

举个例子1

代码：

from urllib import parsestring = '黑白道奇'
print(parse.quote(string))

结果：

  %E9%BB%91%E7%99%BD%E9%81%93%E5%A5%87

举个例子2

代码：

from urllib import parsemy_url = 'https://www.sogou.com/web?query={}'word = input('请输入搜索内容:')
query_string = parse.quote(word)
print(my_url.format(query_string))

控制台输出：

urllib.parse.unquote(string)解码

举个例子

代码：

from urllib import parse
word = input('请输入搜索内容:')
query_string = parse.quote(word)
result = parse.unquote(query_string)
print(result)

结果：