爬虫——GET请求和POST请求

urllib.parse.urlencode()和urllib.parse.unquote()

编码工作使用urllib.parse的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unquote()函数。# python3.5控制台中测试结果

>>> import urllib

>>> word = {"wd":"爬虫"}

# 通过urllib.parse.urlencode()方法，将字典键值对按URL编码转换，从而能被wed服务器接受。

>>> urllib.parse.urlencode(word)

'wd=%E7%88%AC%E8%99%AB'

# 通过urllib.parse.unquote()方法，把URL编码字符串，转换回原先的字符串。

>>> urllib.parse.unquote(word)

'wd=爬虫'

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

GET请求一般用于我们向服务器获取数据，比如说，我们用百度搜索 爬虫：https://www.baidu.com/s?wd=爬虫(https://www.baidu.com/s?wd=%E7%88%AC%E8%99%AB)

我们可以看到在请求部分里，http://www.baidu.com/s? 之后出现一个长长的字符串，其中就包含我们要查询的关键词“爬虫”，于是我们可以尝试用默认的GET方式来发送请求。#!/usr/bin/python3

# -*- coding:utf-8 -*-

# 导入库

import urllib.request

import urllib

url = "http://www.baidu.com/s?"

word = {"wd":"爬虫"}

# 转换成url编码格式

word = urllib.parse.urlencode(word)

# 拼接成完整的url

full_url = url + word

# chrome 的 User-Agent，包含在 header里

header = {'User-Agent':'Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/39.0.2171.71 Safari/537.36'}

# url 连同 headers，一起构造Request请求，这个请求将附带 chrome 浏览器的User-Agent

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

# 向服务器发送这个请求

response = urllib.request.urlopen(request)

html = response.read()

fo = open("baidu.html", "wb")

fo.write(html)

fo.close()

批量爬取贴吧页面数据

首先我们创建一个python文件：tiebaSpider.py，我们要完成的功能是，输入一个百度贴吧的地址，比如：百度贴吧LOL吧

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

……

爬取以上页面的内容#!/usr/bin/python3

# -*- coding:utf-8 -*-

"""

功能：批量爬取贴吧页面数据

目标地址：百度贴吧LOL吧

分析：

第一页：https://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

……

规律：

贴吧中每个页面URL不同之处，就是最后的pn值，其余的都是一样的。其pn = (page - 1) * 50

url = "https://tieba.baidu.com/f?kw=lol&ie=utf-8&pn="

pn = (page - 1) * 50

full_url = url + str(pn)

"""

# 导入库

import urllib

import urllib.request

# 根据url地址，获取服务器响应文件

def loadPage(url):

"""

功能：根据url地址，获取服务器响应文件

:param url: url地址

:return: 获取的服务器响应文件信息

"""

# chrome 的User-Agent 头

header = {'User-Agent':'Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/39.0.2171.71 Safari/537.36'}

# url 连同 headers，一起构造Request请求，这个请求将附带 chrome 浏览器的User-Agent

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

# 向服务器发送这个请求

reponse = urllib.request.urlopen(request)

# 获取响应文件中的全部内容

html = reponse.read()

return html

# 存储文件

def writeFile(html, file_name):

"""

功能：存服务器响应文件到本地磁盘文件里

:param html: 服务器响应文件内容

:param file_name: 本地磁盘文件名

:return: None

"""

with open(file_name, "wb") as f:

f.write(html)

# 贴吧爬虫函数

def tiebaSpider(url, begin_page, end_page):

"""

功能：处理从begin_page到end_page的url页面

:param url: url地址

:param begin_page: 需爬取的起始页

:param end_page: 需爬取的终止页

:return:

"""

for page in range(begin_page, end_page + 1):

pn = (page - 1) * 50

full_url = url + str(pn)

file_name = "第" + str(page) + "页.html"

print("正在爬取" + file_name)

# 获取full_url对应的html文件信息

html = loadPage(full_url)

print("正在存储" + file_name)

# 存储full_url对应的html文件信息

writeFile(html, file_name)

# 主函数

if __name__ == '__main__':

url = "https://tieba.baidu.com/f?"

# 输入需爬取的贴吧

kw = input("请输入需要爬取的贴吧：")

# 输入需爬取的起始页和终止页

begin_page = int(input("请输入起始页："))

end_page = int(input("请输入终止页："))

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

# 组合的的url示例：https://tieba.baidu.com/f?kw=lol&ie=utf-8&pn=

url = url + key + "&ie=utf-8&pn="

# 调用贴吧爬虫函数，爬取数据

tiebaSpider(url, begin_page, end_page)

POST方式

Request请求对象里有data参数，这就是用在POST里的，我们要传送的数据就是这个参数data，data是一个字典，里面要有匹配键值对。

以下以有道词典翻译网站为例为模拟POST请求。#!/usr/bin/python3

# -*- coding:utf-8 -*-

"""

POST方式：以有道词典翻译网站为例

url = "http://fanyi.youdao.com/translate?smartresult=dict&smartresult=rule&smartresult=ugc&sessionFrom=null"

"""

# 导入库

import urllib.request

import urllib

url = "http://fanyi.youdao.com/translate?smartresult=dict&smartresult=rule&smartresult=ugc&sessionFrom=null"

# chrome 的 User-Agent，包含在 header里

header = {'User-Agent':'Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/39.0.2171.71 Safari/537.36'}

word = input("请输入需要翻译的词条：")

from_data = {

"i":word,

"from":"AUTO",

"to":"AUTO",

"smartresult":"dict",

"doctype":"json",

"version":"2.1",

"keyfrom":"fanyi.wed"

}

data = urllib.parse.urlencode(from_data)

data = data.encode(encoding="utf-8")  # str转bytes

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

response = urllib.request.urlopen(request)

html = response.read().decode(encoding = "utf-8").strip()

print(html)

获取AJAX加载的内容

有些网页内容是使用AJAX加载的，AJAX一般返回的是JSON，直接对AJAX地址进行POST或GET，就能返回JSON数据。#!/usr/bin/python3

# -*- coding:utf-8 -*-

"""

获取AJAX加载的数据

有些网页内容使用AJAX加载，只要记得，AJAX一般返回的是JSON,直接对AJAX地址进行post或get，就返回JSON数据了。

以豆瓣为例：

url = "https://movie.douban.com/j/chart/top_list?type=11&interval_id=100:90&action&start=0&limit=100"

"""

# 导入库

import urllib

import urllib.request

url = "https://movie.douban.com/j/chart/top_list?"

# chrome 的 User-Agent，包含在 header里

header = {'User-Agent':'Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/39.0.2171.71 Safari/537.36'}

from_data = {

'type':'11',

'interval_id':'100:90',

'action':'',

'start':'0',

'limit':'100'

}

data = urllib.parse.urlencode(from_data)

data = data.encode(encoding="utf-8")  # str转bytes

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

response = urllib.request.urlopen(request)

html = response.read().decode(encoding = "utf-8")

print(html)