[TOC] 1. URL的組成 漢字通過URL encode(UTF 8)編碼出來的編碼，裡面的字元全是打位元組 如果你複製粘貼下來這個網址，出來的不是漢字，而是編碼後的位元組 https://www.baidu.com/s?wd=%E7%BC%96%E7%A8%8B%E5%90%A7 我們也可以在py ...
目錄
1. URL的組成
漢字通過URL encode(UTF-8)編碼出來的編碼，裡面的字元全是打位元組
如果你複製粘貼下來這個網址，出來的不是漢字，而是編碼後的位元組
https://www.baidu.com/s?wd=%E7%BC%96%E7%A8%8B%E5%90%A7
我們也可以在python中做轉換-urllib.parse.urlencode
import urllib.parse.urlencode
url = "http://www.baidu.com/s?"
wd = {"wd": "編程吧"}
out = urllib.parse.urlencode(wd)
print(out)結果是: wd=%E7%BC%96%E7%A8%8B%E5%90%A7
2. 貼吧爬蟲
2.1. 只爬貼吧第一頁
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. 爬取所有貼吧的頁面
對於一個貼吧(編程吧)爬蟲，可以翻頁，我們可以總結規律
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=100import urllib.request
import urllib.parse
def loadPage(url,filename):
"""
作用： url發送請求
url：地址
filename: 處理的文件名
"""
print("正在下載", 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：將html內容寫入到本地
html：伺服器響應文件內容
"""
print("正在保存",filename)
with open(filename, "wb") as f:
f.write(html)
print("-"*30)
def tiebaSpider(url, beginPage, endPage):
"""
作用:貼吧爬蟲調度器，複製組合處理每個頁面的url
"""
for page in range(beginPage, endPage + 1):
pn = (page - 1) * 50
filename = "第" + str(page) + "頁.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)結果是：
Please input query: 編程吧
Start page: 1
End page: 5
正在下載 第1頁.html
正在保存 第1頁.html
------------------------------
正在下載 第2頁.html
正在保存 第2頁.html
------------------------------
正在下載 第3頁.html
正在保存 第3頁.html
------------------------------
正在下載 第4頁.html
正在保存 第4頁.html
------------------------------
正在下載 第5頁.html
正在保存 第5頁.html
------------------------------3. GET和POST的區別
- GET: 請求的url會附帶查詢參數
- POST： 請求的url不會
3.1. GET請求
對於GET請求：查詢參數在QueryString里保存
3.2. POST請求
對於POST請求： 茶韻參數在WebForm裡面
3.3. 有道翻譯模擬發送POST請求
- 首先我們用抓包工具獲取請求信息
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: [email protected]; OUTFOX_SEARCH_USER_ID_NCOO=848207426.083082; JSESSIONID=aaaiYkBB5LZ2t6rO6rCGw; ___rl__test__cookies=1546662813170
x-hd-token: rent-your-own-vps
# 這一行是form表單數據，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- 提取關鍵的表單數據
i=love
doctype=json
version=2.1
keyfrom=fanyi.web
action=FY_BY_REALTIME
typoResult=false - 有道翻譯模擬
import urllib.request
import urllib.parse
# 通過抓包方式獲取，並不是瀏覽器上面的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"
}
# 輸入用戶介面
key = input("Please input english: ")
# 模擬有道翻譯傳回的form數據
# 這是post發送到伺服器的form數據，post是有數據提交到web伺服器的，與伺服器做一個交互，通過傳的數據返迴響應的文件，而get不會發數據
formdata = {
"i":key,
"doctype":"json",
"version":"2.1",
"keyfrom":"fanyi.web",
"action":"FY_BY_REALTIME",
"typoResult": "false"
}
# 通過轉碼
data = urllib.parse.urlencode(formdata).encode("utf-8")
# 通過data和header數據，就可以構建post請求，data參數有值，就是POST，沒有就是GET
request = urllib.request.Request(url, data=data, headers=headers)
response = urllib.request.urlopen(request)
html = response.read()
print(html)結果如下:
Please input english: hello
b' {"type":"EN2ZH_CN","errorCode":0,"elapsedTime":1,"translateResult":[[{"src":"hello","tgt":"\xe4\xbd\xa0\xe5\xa5\xbd"}]]}\n'
