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‘另外注意：光理论是不够的。这里顺便送大家一套2020最新python入门到高级项目实战视频教程，可以去小编的Python交流.裙 ：七衣衣九七七巴而五（数字的谐音）转换下可以找到了，还可以跟老司机交流讨教！
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
相关推荐：《Python相关教程》
#!/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)
都明白了吗？最后注意：光理论是不够的。这里顺便送大家一套2020最新python入门到高级项目实战视频教程，可以去小编的Python交流.裙 ：七衣衣九七七巴而五（数字的谐音）转换下可以找到了，还可以跟老司机交流讨教！
本文的文字及图片来源于网络加上自己的想法,仅供学习、交流使用,不具有任何商业用途,版权归原作者所有,如有问题请及时联系我们以作处理。
