一般HTTP请求提交数据，需要编码成 URL编码格式，然后做为url的一部分，或者作为参数传到Request对象中。
Get方式
GET请求一般用于我们向服务器获取数据，比如说，我们用百度搜索美女：
https://www.baidu.com/s?wd=美女
最终中文被转换为十六进制的数据 https://www.baidu.com/swd=%E7%BE%8E%E5%A5%B3
在其中我们可以看到在请求部分里,http://www.baidu.com/s? 之后出现一个长长的字符串，其实就是我们要查询的关键词美女，于是我们可以尝试用默认的Get方式来发送请求。
# urllib_get.py
url = "http://www.baidu.com/s"
word = {"wd":"美女"}
word = urllib.parse.urlencode(word) #转换成url编码格式（字符串）
newurl = url + "?" + word # url首个分隔符就是 ?
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"}
request = urllib.request.Request(newurl, headers=headers)
response = urllib.request.urlopen(request)
print (response.read())
实例
批量爬取贴吧页面数据
首先我们创建一个python文件, tiebaSpider.py，我们要完成的是，输入一个百度贴吧的地址，比如：
百度贴吧美女吧
第一页：http://tieba.baidu.com/f?kw=美女&ie=utf-8&pn=0
第二页： http://tieba.baidu.com/f?kw=美女&ie=utf-8&pn=50
第三页： http://tieba.baidu.com/f?kw=美女&ie=utf-8&pn=100
发现规律了吧，贴吧中每个页面不同之处，就是url最后的pn的值，其余的都是一样的，我们可以抓住这个规律。
简单写一个小爬虫程序，来爬取百度美女吧的所有网页。
- 先写一个main，提示用户输入要爬取的贴吧名，并用urllib.urlencode()进行转码，然后组合url，假设是美女吧，那么组合后的url就是：http://tieba.baidu.com/f?kw=美女
# 模拟 main 函数
if __name__ == "__main__":
kw = input("请输入需要爬取的贴吧:")
# 输入起始页和终止页，str转成int类型
beginPage = int(input("请输入起始页："))
endPage = int(input("请输入终止页："))
url = "http://tieba.baidu.com/f?"
key = urllib.parse.urlencode({"kw" : kw})
# 组合后的url示例：http://tieba.baidu.com/f?kw=%E7%BE%8E%E5%A5%B3
url = url + key
tiebaSpider(url, beginPage, endPage)
- 接下来，我们写一个百度贴吧爬虫接口，我们需要传递3个参数给这个接口， 一个是main里组合的url地址，以及起始页码和终止页码，表示要爬取页码的范围。
import urllib.request
import urllib.parse
def tiebaSpider(url, beginPage, endPage):
"""
作用：负责处理url，分配每个url去发送请求
url：需要处理的第一个url
beginPage: 爬虫执行的起始页面
endPage: 爬虫执行的截止页面
"""
for page in range(beginPage, endPage + 1):
pn = (page - 1) * 50
filename = "第" + str(page) + "页.html"
# 组合为完整的 url，并且pn值每次增加50
fullurl = url + "&pn=" + str(pn)
#print(fullurl)
# 调用loadPage()发送请求获取HTML页面
html = loadPage(fullurl, filename)
# 将获取到的HTML页面写入本地磁盘文件
writeFile(html, filename)
- 我们已经之前写出一个爬取一个网页的代码。现在，我们可以将它封装成一个小函数loadPage，供我们使用。
def loadPage(url, filename):
'''
作用：根据url发送请求，获取服务器响应文件
url：需要爬取的url地址
filename: 文件名
'''
print ("正在下载" + filename)
headers = {"User-Agent": "Mozilla/5.0 (compatible; MSIE 9.0; Windows NT 6.1; Trident/5.0;"}
request = urllib.request.Request(url, headers = headers)
response = urllib.request.urlopen(request)
return response.read()
- 最后如果我们希望将爬取到了每页的信息存储在本地磁盘上，我们可以简单写一个存储文件的接口。
def writeFile(html, filename):
"""
作用：保存服务器响应文件到本地磁盘文件里
html: 服务器响应文件
filename: 本地磁盘文件名
"""
print ("正在存储" + filename)
with open(filename, 'w') as f:
f.write(html)
其实很多网站都是这样的，同类网站下的html页面编号，分别对应网址后的网页序号，只要发现规律就可以批量爬取页面了
网友评论