欢迎您访问程序员文章站本站旨在为大家提供分享程序员计算机编程知识!
您现在的位置是: 首页  >  IT编程

Python爬虫-04:贴吧爬虫以及GET和POST的区别

程序员文章站 2022-09-30 22:15:55
[TOC] 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py ......

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

Python爬虫-04:贴吧爬虫以及GET和POST的区别

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
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

3.2. post请求

对于post请求: 茶韵参数在webform里面

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
Python爬虫-04:贴吧爬虫以及GET和POST的区别

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'