当前位置： 移动技术网 > IT编程>脚本编程>Python > Python爬虫-04：贴吧爬虫以及GET和POST的区别

Python爬虫-04：贴吧爬虫以及GET和POST的区别

2019年01月05日  | 移动技术网IT编程  | 我要评论

吉他谱网,范绍慧,2014梦想演唱会

目录

1. url的组成

汉字通过url encode(utf-8)编码出来的编码，里面的字符全是打字节

如果你复制粘贴下来这个网址，出来的不是汉字，而是编码后的字节
https://www.baidu.com/s?wd=%e7%bc%96%e7%a8%8b%e5%90%a7

我们也可以在python中做转换-urllib.parse.urlencode

import urllib.parse.urlencode
url = "http://www.baidu.com/s?"
wd = {"wd": "编程吧"}
out = urllib.parse.urlencode(wd)
print(out)

结果是: wd=%e7%bc%96%e7%a8%8b%e5%90%a7

2. 贴吧爬虫

2.1. 只爬贴吧第一页

import urllib.parse
import urllib.request

url = "http://www.baidu.com/s?"
keyword = input("please input query: ")

wd = {"wd": keyword}
wd = urllib.parse.urlencode(wd)

fullurl = url + "?" + wd
headers = {"user-agent": "mozilla/5.0 (windows nt 10.0; win64; x64) applewebkit/537.36 (khtml, like gecko) chrome/71.0.3578.98 safari/537.36"}
request = urllib.request.request(fullurl, headers = headers)
response = urllib.request.urlopen(request)
html = response.read()

print(html)

2.2. 爬取所有贴吧的页面

对于一个贴吧(编程吧)爬虫，可以翻页，我们可以总结规律

page 1: http://tieba.baidu.com/f?kw=%e7%bc%96%e7%a8%8b&ie=utf-8&pn=0 
page 2: http://tieba.baidu.com/f?kw=%e7%bc%96%e7%a8%8b&ie=utf-8&pn=50
page 3: http://tieba.baidu.com/f?kw=%e7%bc%96%e7%a8%8b&ie=utf-8&pn=100
import urllib.request
import urllib.parse

def loadpage(url,filename):
    """
        作用： url发送请求
        url：地址
        filename: 处理的文件名
    """
    print("正在下载", filename)
    headers = {
        "user-agent": "mozilla/5.0 (windows nt 10.0; win64; x64) applewebkit/537.36 (khtml, like gecko) chrome/71.0.3578.98 safari/537.36"}
    request = urllib.request.request(url, headers=headers)
    response = urllib.request.urlopen(request)
    html = response.read()
    return html



def writepage(html,filename):
    """
        作用：将html内容写入到本地
        html：服务器响应文件内容
    """
    print("正在保存",filename)
    with open(filename, "wb") as f:
        f.write(html)
    print("-"*30)


def tiebaspider(url, beginpage, endpage):
    """
        作用:贴吧爬虫调度器，复制组合处理每个页面的url
    """
    for page in range(beginpage, endpage + 1):
        pn = (page - 1) * 50
        filename = "第" + str(page) + "页.html"
        fullurl = url + "&pn=" + str(pn)
        html = loadpage(fullurl,filename)
        writepage(html,filename)


if __name__ == "__main__":
    kw = input("please input query: ")
    beginpage = int(input("start page: "))
    endpage = int(input("end page: "))

    url = "http://tieba.baidu.com/f?"
    key = urllib.parse.urlencode({"kw":kw})
    fullurl = url + key
    tiebaspider(fullurl, beginpage, endpage)

结果是：

please input query: 编程吧
start page: 1
end page: 5
正在下载 第1页.html
正在保存 第1页.html
------------------------------
正在下载 第2页.html
正在保存 第2页.html
------------------------------
正在下载 第3页.html
正在保存 第3页.html
------------------------------
正在下载 第4页.html
正在保存 第4页.html
------------------------------
正在下载 第5页.html
正在保存 第5页.html
------------------------------

3. get和post的区别

  • get: 请求的url会附带查询参数
  • post： 请求的url不会

3.1. get请求

对于get请求：查询参数在querystring里保存

3.2. post请求

对于post请求： 茶韵参数在webform里面



3.3. 有道翻译模拟发送post请求

  1. 首先我们用抓包工具获取请求信息
post http://fanyi.youdao.com/translate?smartresult=dict&smartresult=rule&smartresult=ugc&sessionfrom=null http/1.1
host: fanyi.youdao.com
connection: keep-alive
content-length: 254
accept: application/json, text/javascript, */*; q=0.01
origin: http://fanyi.youdao.com
x-requested-with: xmlhttprequest
user-agent: mozilla/5.0 (windows nt 10.0; win64; x64) applewebkit/537.36 (khtml, like gecko) chrome/71.0.3578.98 safari/537.36
content-type: application/x-www-form-urlencoded; charset=utf-8
referer: http://fanyi.youdao.com/
accept-encoding: gzip, deflate
accept-language: zh-cn,zh;q=0.9,en-us;q=0.8,en;q=0.7,en-ca;q=0.6
cookie: outfox_search_user_id=-1071824454@10.169.0.83; outfox_search_user_id_ncoo=848207426.083082; jsessionid=aaaiykbb5lz2t6ro6rcgw; ___rl__test__cookies=1546662813170
x-hd-token: rent-your-own-vps
# 这一行是form表单数据，重要
i=love&from=auto&to=auto&smartresult=dict&client=fanyideskweb&salt=15466628131726&sign=63253c84e50c70b0125b869fd5e2936d&ts=1546662813172&bv=363eb5a1de8cfbadd0cd78bd6bd43bee&doctype=json&version=2.1&keyfrom=fanyi.web&action=fy_by_realtime&typoresult=false
  1. 提取关键的表单数据
i=love
doctype=json
version=2.1
keyfrom=fanyi.web
action=fy_by_realtime
typoresult=false
  1. 有道翻译模拟
import urllib.request
import urllib.parse

# 通过抓包方式获取，并不是浏览器上面的url地址
url = "http://fanyi.youdao.com/translate?smartresult=dict&smartresult=rule&smartresult=ugc&sessionfrom=null"

# 完整的headers
headers = {
    "accept" : "application/json, text/javascript, */*; q=0.01",
    "x-requested-with" : "xmlhttprequest",
    "user-agent" : "mozilla/5.0 (windows nt 10.0; win64; x64) applewebkit/537.36 (khtml, like gecko) chrome/71.0.3578.98 safari/537.36",
    "content-type" : "application/x-www-form-urlencoded; charset=utf-8"
}

# 输入用户接口
key = input("please input english: ")

# 模拟有道翻译传回的form数据
# 这是post发送到服务器的form数据，post是有数据提交到web服务器的，与服务器做一个交互，通过传的数据返回响应的文件，而get不会发数据
formdata = {
    "i":key,
    "doctype":"json",
    "version":"2.1",
    "keyfrom":"fanyi.web",
    "action":"fy_by_realtime",
    "typoresult": "false"
}

# 通过转码
data = urllib.parse.urlencode(formdata).encode("utf-8")
# 通过data和header数据，就可以构建post请求，data参数有值，就是post，没有就是get
request = urllib.request.request(url, data=data, headers=headers)
response = urllib.request.urlopen(request)
html = response.read()

print(html)

结果如下:

please input english: hello
b'                          {"type":"en2zh_cn","errorcode":0,"elapsedtime":1,"translateresult":[[{"src":"hello","tgt":"\xe4\xbd\xa0\xe5\xa5\xbd"}]]}\n'

您可能感兴趣的文章:

如对本文有疑问，请在下面进行留言讨论，广大热心网友会与你互动！！ 点击进行留言回复

相关文章:

验证码：
最近更新的文章
大家感兴趣的文章
移动技术网