Python 爬蟲從入門到進階之路（三）

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，我們在瀏覽器的鏈接里如果輸入有中文的話，如：https://www.baidu.com/s?wd=貼吧，那么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 模塊的 urlencode 方法，但我們在之前的文章已經說過之后的內容以 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 模塊，如下：

import urllib.parse
data= {"kw":"貼吧"}
# 通過 urlencode() 方法，將字典鍵值對按URL編碼轉換，從而能被web服務器接受。
data = urllib.parse.urlencode(data)
print(data)  # kw=%E8%B4%B4%E5%90%A7
# 通過 unquote() 方法，把 URL編碼字符串，轉換回原先字符串。
data = urllib.parse.unquote(data)
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服務器獲取數據，比如說，我們用百度搜索 貼吧，結果如下

在其中我們可以看到在請求部分里，http://www.baidu.com/s? 之后出現一個長長的字符串，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默認的 Get 方式來發送請求。

import urllib.request
import urllib.parse
import ssl

# 取消代理驗證
ssl._create_default_https_context = ssl._create_unverified_context

# url 地址
url = "http://www.baidu.com/s"
word = {"wd": "貼吧"}
word = urllib.parse.urlencode(word)  # 轉換成url編碼格式（字符串）
url = url + "?" + word  # url首個分隔符就是 ?

# User-Agent
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"}

# url 作為Request()方法的參數，構造並返回一個Request對象
request = urllib.request.Request(url, headers=headers)

# Request對象作為urlopen()方法的參數，發送給服務器並接收響應
response = urllib.request.urlopen(request)

# 類文件對象支持 文件對象的操作方法，如read()方法讀取文件全部內容，返回字符串
html = response.read().decode("utf-8")

# 打印字符串
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 地址后面，然后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 請求接口：https://movie.douban.com/j/chart/top_list?type=11&interval_id=100:90&start=0&limit=10，該接口為豆瓣的一個電影列表接口，為 post 請求，url 問號后面的為請求參數，結果如下：

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

import urllib.request
import urllib.parse
import ssl

# 取消代理驗證
ssl._create_default_https_context = ssl._create_unverified_context

# User-Agent
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"}
# post 請求參數
data = {
    "type": "11",
    "interval_id": "100:90",
    "start": "0",
    "limit": "10"
}
data = urllib.parse.urlencode(data).encode("utf-8")

# url 作為Request()方法的參數，構造並返回一個Request對象
request = urllib.request.Request("https://movie.douban.com/j/chart/top_list?", data=data, headers=headers)

# Request對象作為urlopen()方法的參數，發送給服務器並接收響應
response = urllib.request.urlopen(request)

# 類文件對象支持 文件對象的操作方法，如read()方法讀取文件全部內容，返回字符串
html = response.read().decode("utf-8")

# 打印字符串
print(html)

urllib 默認的是 get 請求，urllib.request.Request() 里第一個參數為 url 地址，第二個參數為請求報頭 headers，請求包頭可以不寫。

urllib 默認的是 get 請求，urllib.request.Request() 里第一個參數為 url 地址，第二個參數為請求數據 data，第三個參數為請求報頭 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。

為什么有時候POST也能在URL內看到數據？

• GET方式是直接以鏈接形式訪問，鏈接中包含了所有的參數，服務器端用Request.QueryString獲取變量的值。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么內容。

• POST則不會在網址上顯示所有的參數，服務器端用Request.Form獲取提交的數據，在Form提交的時候。但是HTML代碼里如果不指定 method 屬性，則默認為GET請求，Form中提交的數據將會附加在url之后，以?分開與url分開。

• 表單數據可以作為 URL 字段（method="get"）或者 HTTP POST （method="post"）的方式來發送。