Python网络爬虫笔记（6）GET请求和POST请求

我就是我 2022-05-27 10:20 232阅读 0赞

### urllib.urlencode() ###

##### urllib 和 urllib2 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： #####

>  *  urllib 仅可以接受URL，不能创建 设置了headers 的Request 类实例；
>  *  但是 urllib 提供 `urlencode` 方法用来GET查询字符串的产生，而 urllib2 则没有。（这是 urllib 和 urllib2 经常一起使用的主要原因）
>  *  编码工作使用urllib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。（注意，不是urllib2.urlencode() )

# IPython2 中的测试结果
    In [1]: import urllib
    
    In [2]: word = {
       "wd" : "传智播客"}
    
    # 通过urllib.urlencode()方法，将字典键值对按URL编码转换，从而能被web服务器接受。
    In [3]: urllib.urlencode(word)  
    Out[3]: "wd=%E4%BC%A0%E6%99%BA%E6%92%AD%E5%AE%A2"
    
    # 通过urllib.unquote()方法，把 URL编码字符串，转换回原先字符串。
    In [4]: print urllib.unquote("wd=%E4%BC%A0%E6%99%BA%E6%92%AD%E5%AE%A2")
    wd=传智播客

##### 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`传智播客`：[https://www.baidu.com/s?wd=传智播客][https_www.baidu.com_s_wd]

浏览器的url会跳转成如图所示:

![20180417085648225][]

[https://www.baidu.com/s?wd=%E4%BC%A0%E6%99%BA%E6%92%AD%E5%AE%A2][https_www.baidu.com_s_wd]

在其中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传智播客，于是我们可以尝试用默认的Get方式来发送请求。

# urllib2_get.py
    
    import urllib      #负责url编码处理
    import urllib2
    
    url = "http://www.baidu.com/s"
    word = {
       "wd":"传智播客"}
    word = urllib.urlencode(word) #转换成url编码格式（字符串）
    newurl = url + "?" + word    # url首个分隔符就是 ?
    
    headers={ "User-Agent": "Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/51.0.2704.103 Safari/537.36"}
    
    request = urllib2.Request(newurl, headers=headers)
    
    response = urllib2.urlopen(request)
    
    print response.read()

## 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][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][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][http_tieba.baidu.com_f_kw_lol_ie_utf-8_pn_100]

发现规律了吧，贴吧中每个页面不同之处，就是url最后的pn的值，其余的都是一样的，我们可以抓住这个规律。

##### 简单写一个小爬虫程序，来爬取百度LOL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urllib.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 = raw_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(raw_input("请输入起始页："))
        endPage = int(raw_input("请输入终止页："))
    
        url = "http://tieba.baidu.com/f?"
        key = urllib.urlencode({
       "kw" : kw})
    
        # 组合后的url示例：http://tieba.baidu.com/f?kw=lol
        url = url + key
        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
    
            # 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)

*  我们已经之前写出一个爬取一个网页的代码。现在，我们可以将它封装成一个小函数loadPage，供我们使用。

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: 文件名 '''
        print "正在下载" + filename
    
        headers = {
       "User-Agent": "Mozilla/5.0 (compatible; MSIE 9.0; Windows NT 6.1; Trident/5.0;"}
    
        request = urllib2.Request(url, headers = headers)
        response = urllib2.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

> 其实很多网站都是这样的，同类网站下的html页面编号，分别对应网址后的网页序号，只要发现规律就可以批量爬取页面了。

--------------------

# POST方式： #

上面我们说了Request请求对象的里有data参数，它就是用在POST里的，我们要传送的数据就是这个参数data，data是一个字典，里面要匹配键值对。

### 有道词典翻译网站： ###

输入测试数据，再通过使用Fiddler观察，其中有一条是POST请求，而向服务器发送的请求数据并不是在url里，那么我们可以试着模拟这个POST请求。

![20180417085803785][]

于是，我们可以尝试用POST方式发送请求。

import urllib
    import urllib2
    
    # POST请求的目标URL
    url = "http://fanyi.youdao.com/translate?smartresult=dict&smartresult=rule&smartresult=ugc&sessionFrom=null"
    
    headers={
       "User-Agent": "Mozilla...."}
    
    formdata = {
        "type":"AUTO",
        "i":"i love python",
        "doctype":"json",
        "xmlVersion":"1.8",
        "keyfrom":"fanyi.web",
        "ue":"UTF-8",
        "action":"FY_BY_ENTER",
        "typoResult":"true"
    }
    
    data = urllib.urlencode(formdata)
    
    request = urllib2.Request(url, data = data, headers = headers)
    response = urllib2.urlopen(request)
    print response.read()

##### 发送POST请求时，需要特别注意headers的一些属性： #####

> `Content-Length: 144`： 是指发送的表单数据长度为144，也就是字符个数是144个。
> 
> `X-Requested-With: XMLHttpRequest` ：表示Ajax异步请求。
> 
> `Content-Type: application/x-www-form-urlencoded` ： 表示浏览器提交 Web 表单时使用，表单数据会按照 **name1=value1&name2=value2** 键值对形式进行编码。

[https_www.baidu.com_s_wd]: https://www.baidu.com/s?wd=%E4%BC%A0%E6%99%BA%E6%92%AD%E5%AE%A2
[20180417085648225]: /images/20220527/c3d36f7d6c3a410680b53d84f1d67981.png
[http_tieba.baidu.com_f_kw_lol_ie_utf-8_pn_0]: http://tieba.baidu.com/f?kw=lol&ie=utf-8&pn=0
[http_tieba.baidu.com_f_kw_lol_ie_utf-8_pn_50]: http://tieba.baidu.com/f?kw=lol&ie=utf-8&pn=50
[http_tieba.baidu.com_f_kw_lol_ie_utf-8_pn_100]: http://tieba.baidu.com/f?kw=lol&ie=utf-8&pn=100
[20180417085803785]: /images/20220527/68e3193b69924e3f8f9b9249e874b81d.png