Python 爬蟲從入門到進階之路（三）

豐寸發表於2019-06-21
Python爬蟲

之前的文章我們做了一個簡單的例子爬取了百度首頁的 html，本篇文章我們再來看一下 Get 和 Post 請求。

在說 Get 和 Post 請求之前，我們先來看一下 url 的編碼和解碼，我們在瀏覽器的連結裡如果輸入有中文的話，如：https://www.baidu.com/s?wd=貼吧，那麼瀏覽器會自動為我們編碼成：https://www.baidu.com/s?wd=%E8%B4%B4%E5%90%A7，在 Python2.x 中我們需要使用 urllib 模組的 urlencode 方法，但我們在之前的文章已經說過之後的內容以 Python3.x 為主，所以我們就說一下 Python3.x 中的編碼和解碼。

在 Python3.x 中，我們需要引入 urllib.parse 模組，如下：

1 import urllib.parse
2 data= {"kw":"貼吧"}
3 # 通過 urlencode() 方法，將字典鍵值對按URL編碼轉換，從而能被web伺服器接受。
4 data = urllib.parse.urlencode(data)
5 print(data)  # kw=%E8%B4%B4%E5%90%A7
6 # 通過 unquote() 方法，把 URL編碼字串，轉換回原先字串。
7 data = urllib.parse.unquote(data)
8 print(data)  # kw=貼吧

下面我們來看一下 Get 請求

GET請求一般用於我們向伺服器獲取資料，比如說，我們用百度搜尋 貼吧，結果如下

在其中我們可以看到在請求部分裡，http://www.baidu.com/s? 之後出現一個長長的字串，其中就包含我們要查詢的關鍵詞 貼吧，於是我們可以嘗試用預設的 Get 方式來傳送請求。

 1 import urllib.request
 2 import urllib.parse
 3 import ssl
 4 
 5 # 取消代理驗證
 6 ssl._create_default_https_context = ssl._create_unverified_context
 7 
 8 # url 地址
 9 url = "http://www.baidu.com/s"
10 word = {"wd": "貼吧"}
11 word = urllib.parse.urlencode(word)  # 轉換成url編碼格式（字串）
12 url = url + "?" + word  # url首個分隔符就是 ?
13 
14 # User-Agent
15 headers = {"User-Agent": "Mozilla/5.0 (Macintosh; Intel Mac OS X 10_14_4) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/73.0.3683.103 Safari/537.36"}
16 
17 # url 作為Request()方法的引數，構造並返回一個Request物件
18 request = urllib.request.Request(url, headers=headers)
19 
20 # Request物件作為urlopen()方法的引數，傳送給伺服器並接收響應
21 response = urllib.request.urlopen(request)
22 
23 # 類檔案物件支援 檔案物件的操作方法，如read()方法讀取檔案全部內容，返回字串
24 html = response.read().decode("utf-8")
25 
26 # 列印字串
27 print(html)

我們在請求頁面的時候將我們要傳的值直接通過轉碼拼接在 url 地址後面，然後就可以獲取到我們想要的內容了，最終結果如下：

通過開發者工具看頁面的 HTML 和我們得到的結果是完全一致的。

 

接下來我們看一下 post 請求，先來看一個 post 請求介面：https://movie.douban.com/j/chart/top_list?type=11&interval_id=100:90&start=0&limit=10，該介面為豆瓣的一個電影列表介面，為 post 請求，url 問號後面的為請求引數，結果如下：

如果我們要使用 urllib 的 post 請求，則要在 Request 第二個引數加入我們想要的引數，如下：

 1 import urllib.request
 2 import urllib.parse
 3 import ssl
 4 
 5 # 取消代理驗證
 6 ssl._create_default_https_context = ssl._create_unverified_context
 7 
 8 # User-Agent
 9 headers = {"User-Agent": "Mozilla/5.0 (Macintosh; Intel Mac OS X 10_14_4) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/73.0.3683.103 Safari/537.36"}
10 # post 請求引數
11 data = {
12     "type": "11",
13     "interval_id": "100:90",
14     "start": "0",
15     "limit": "10"
16 }
17 data = urllib.parse.urlencode(data).encode("utf-8")
18 
19 # url 作為Request()方法的引數，構造並返回一個Request物件
20 request = urllib.request.Request("https://movie.douban.com/j/chart/top_list?", data=data, headers=headers)
21 
22 # Request物件作為urlopen()方法的引數，傳送給伺服器並接收響應
23 response = urllib.request.urlopen(request)
24 
25 # 類檔案物件支援 檔案物件的操作方法，如read()方法讀取檔案全部內容，返回字串
26 html = response.read().decode("utf-8")
27 
28 # 列印字串
29 print(html)

urllib 預設的是 get 請求，urllib.request.Request() 裡第一個引數為 url 地址，第二個引數為請求報頭 headers，請求包頭可以不寫。

urllib 預設的是 get 請求，urllib.request.Request() 裡第一個引數為 url 地址，第二個引數為請求資料 data，第三個引數為請求報頭 headers，請求包頭可以不寫。

最終結果如下：

和我們在頁面請求的結果是一樣的。

為什麼有時候POST也能在URL內看到資料？

  • GET方式是直接以連結形式訪問，連結中包含了所有的引數，伺服器端用Request.QueryString獲取變數的值。如果包含了密碼的話是一種不安全的選擇，不過你可以直觀地看到自己提交了什麼內容。

  • POST則不會在網址上顯示所有的引數，伺服器端用Request.Form獲取提交的資料，在Form提交的時候。但是HTML程式碼裡如果不指定 method 屬性，則預設為GET請求，Form中提交的資料將會附加在url之後，以?分開與url分開。

  • 表單資料可以作為 URL 欄位（method="get"）或者 HTTP POST （method="post"）的方式來傳送。

 

相關文章