[python]利用urllib+urllib2解决爬虫分页翻页问题

标签：des   style   blog   color   os   使用   io   ar   for   

最近由于公司的自动化测试工具需要将测试结果导出到excel中，奈何没有学SSH，导致无法在工具本身中添加（工具是开发做的），故转而使用python爬虫来做，开发过程中遇到了一个问题：

　　由于测试结果太多，需要翻页，而翻页时网址没有变化，这就导致抓取的时候没法依照网址去爬，遂去网上查找解决方法，最后找到利用urllib2提交post的方法来解决。

解决过程：

网址不变，而如果是用selenium的话，我又觉得太慢，毕竟selenium是用来做验收测试的，不是用来爬数据的。言归正传，利用urllib2提交post的方法来获取翻页数据的话，首先的找到网页对应的post，首先我找到了这个：

{‘topage‘:‘3‘}

和这个：

{‘pageNow‘:‘3‘}

(后者是正确的)

这需要大家自己去网页里找规律，不一定被放到了哪个位置，我因为工具是公司开发写的，我在他的页面代码里找到了如下这段：

所以确定是{‘pageNow‘:‘3‘}是对的。

既然找到post的键值，那接下来的事就简单了：

 1  2 url = 网络地址
 3 #需要提交给表单键值对
 4 query = {‘pageNow‘:‘3‘}
 5 
 6 #urllib.urlencode(query[, doseq])：将dict或者包含两个元素的元组列表转换成url参
 7 #数。例如 字典{‘name‘: ‘dark-bull‘, ‘age‘: 200}将被转换为"name=dark-bull&
 8 #age=200"
 9 date = urllib.urlencode(query)
10 #向服务器端发送请求
11 post = urllib2.Request(url,date)
12 #接收服务端返回的内容
13 response  = urllib2.urlopen(request)
14 #转化为页面代码
15 page = response.read()
16 
17 
18 print page

以上，控制台上显示出来的就是第三页的代码，这时大家就可以用正则去匹配自己需要的东西了\(^o^)/~

[python]利用urllib+urllib2解决爬虫分页翻页问题

标签：des   style   blog   color   os   使用   io   ar   for   

原文地址：http://www.cnblogs.com/yuexizhuo/p/3946178.html