urllib的使用(2)

在Python3.x中，urllib包下有四个模块分别是

• urllib.request(python2.x的urllib2),打开和读取urls
• urllib.error，包含了urllib.request所抛出的异常
• urllib.parse，解析urls
• urllib.robotparser，解析robots.txt文件

1、urllib.parse.urlencode()

• 使用urllib.parse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.parse的unquote()函数
• 一般HTTP请求提交数据，需要编码成URL编码格式，然后作为URL的一部分，或者作为参数传到urllib.request.Request对象中。

#/usr/bin/env python3
#-*- utf8 -*-

from urllib import request, parse

word = {'ljs':"李建生"}

# 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
encode = parse.urlencode(word)
print(encode)

# 通过urllib.unquote()方法，把URL编码字符串，转换为原始字符串
print(parse.unquote("ljs=%E6%9D%8E%E5%BB%BA%E7%94%9F"))


#ljs=%E6%9D%8E%E5%BB%BA%E7%94%9F
#ljs=李建生

Get方式

• Get请求一般用于我们向服务器获取数据，比如说，我们用百度搜索王菊
  image.png
• 可以看到浏览器的url跳转到 https://www.baidu.com/s?wd=王菊，后面还有一大串，我们可以选择复制浏览器的，也可以f12，然后复制红色框里的，都一样，浏览器显示的是王菊，但是复制了之后是编码后的。可以看到http://www.baidu.com/s之后就会出现一大串，其中就包括我们要搜索的王菊
  image.png

https://www.baidu.com/s?wd=%E7%8E%8B%E8%8F%8A&rsv_spt=1&rsv_iqid=0xb5506d1e00018681&issp=1&f=8&rsv_bp=1&rsv_idx=2&ie=utf-8&rqlang=cn&tn=baiduhome_pg&rsv_enter=0&oq=%25E7%258E%258B%25E8%258F%258A&rsv_t=76c5iEe0sNG%2F7ghbj2%2B9%2FiRWb4Mz2vab6PycV4g33SQf2TehbSOJ105%2FDBFBm6qT4UR%2F&rsv_pq=ef586b1600016dd0

• 我们尝试使用默认的Get方式来发送请求

#/usr/bin/env python3
#-*- utf8 -*-

from urllib import request, parse

url = 'http://www.baidu.com/s'
word = {'wj':'王菊'}
word = parse.urlencode(word)                # 转换成url编码格式

newurl = url + '?' + word

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'}

req = request.Request(newurl, headers=headers)

res = request.urlopen(req)

print(res.read())

• 输出就不贴，一堆而且网不好好久才出来，差点卡死在那里。

批量爬取贴吧网页数据

浏览器输入一个百度贴吧的地址，比如：
百度贴吧LOL吧第一页：https://tieba.baidu.com/f?kw=lol&ie=utf-8&pn=0
第二页：https://tieba.baidu.com/f?kw=lol&ie=utf-8&pn=50
第三页：https://tieba.baidu.com/f?kw=lol&ie=utf-8&pn=100

• 可以发现规律，贴吧中每个页面不同之处就是url最后的pn的值，其余都是一样的，我们可以抓住这个规律。写一个小爬虫程序，爬取LOL贴吧的所有网页