Python爬虫-04：贴吧爬虫以及GE

目录

• 1. URL的组成
• 2. 贴吧爬虫
  • 2.1. 只爬贴吧第一页
  • 2.2. 爬取所有贴吧的页面
• 3. GET和POST的区别
  • 3.1. GET请求
  • 3.2. POST请求
  • 3.3. 有道翻译模拟发送POST请求

---

---

汉字通过URL encode(UTF-8)编码出来的编码，里面的字符全是打字节

如果你复制粘贴下来这个网址，出来的不是汉字，而是编码后的字节
https://www.baidu.com/s?wd=%E7%BC%96%E7%A8%8B%E5%90%A7

我们也可以在python中做转换-urllib.parse.urlencode

import urllib.parse.urlencode
url = "Http://www.baidu.com/s?"
wd = {"wd": "编程吧"}
out = urllib.parse.urlencode(wd)
print(out)

结果是: wd=%E7%BC%96%E7%A8%8B%E5%90%A7

2.1. 只爬贴吧第一页

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. 爬取所有贴吧的页面

对于一个贴吧(编程吧)爬虫，可以翻页，我们可以总结规律

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=100

import urllib.request
import urllib.parse

def loadPage(url,filename):
    """
        作用： url发送请求
        url：地址
        filename: 处理的文件名
    """
    print("正在下载", 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：将html内容写入到本地
        html：服务器响应文件内容
    """
    print("正在保存",filename)
    with open(filename, "wb") as f:
        f.write(html)
    print("-"*30)


def tiebaSpider(url, beginPage, endPage):
    """
        作用:贴吧爬虫调度器，复制组合处理每个页面的url
    """
    for page in range(beginPage, endPage + 1):
        pn = (page - 1) * 50
        filename = "第" + str(page) + "页.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)

结果是：

Please input query: 编程吧
Start page: 1
End page: 5
正在下载 第1页.html
正在保存 第1页.html
------------------------------
正在下载 第2页.html
正在保存 第2页.html
------------------------------
正在下载 第3页.html
正在保存 第3页.html
------------------------------
正在下载 第4页.html
正在保存 第4页.html
------------------------------
正在下载 第5页.html
正在保存 第5页.html
------------------------------

---

---

• GET: 请求的url会附带查询参数
  
• POST： 请求的url不会

3.1. GET请求

对于GET请求：查询参数在QueryString里保存

3.2. POST请求

对于POST请求： 茶韵参数在WebFORM里面

3.3. 有道翻译模拟发送POST请求

1. 首先我们用抓包工具获取请求信息

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",
    "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"
}

# 输入用户接口
key = input("Please input english: ")

# 模拟有道翻译传回的form数据
# 这是post发送到服务器的form数据，post是有数据提交到web服务器的，与服务器做一个交互，通过传的数据返回响应的文件，而get不会发数据
formdata = {
    "i":key,
    "doctype":"json",
    "version":"2.1",
    "keyfrom":"fanyi.web",
    "action":"FY_BY_REALTIME",
    "typoResult": "false"
}

# 通过转码
data = urllib.parse.urlencode(formdata).encode("utf-8")
# 通过data和header数据，就可以构建post请求，data参数有值，就是POST，没有就是GET
request = urllib.request.Request(url, data=data, headers=headers)
response = urllib.request.urlopen(request)
html = response.read()

print(html)

结果如下:

Please input english: hello
b'                          {"type":"EN2ZH_CN","errorCode":0,"elapsedTime":1,"translateResult":[[{"src":"hello","tgt":"\xe4\xbd\xa0\xe5\xa5\xbd"}]]}\n'