Python 爬虫从入门到进阶之路（三）

之前的文章我们做了一个简单的例子爬取了百度首页的 html，本篇文章我们再来看一下 Get 和 Post 请求。

在说 Get 和 Post 请求之前，我们先来看一下 url 的编码和解码，我们在浏览器的链接里如果输入有中文的话，如：https://www.baidu.com/s?wd=贴吧，那么浏览器会自动为我们编码成：https://www.baidu.com/s?wd=%E8%B4%B4%E5%90%A7，在 Python2.x 中我们需要使用 urllib 模块的 urlencode 方法，但我们在之前的文章已经说过之后的内容以 Python3.x 为主，所以我们就说一下 Python3.x 中的编码和解码。

在 Python3.x 中，我们需要引入 urllib.parse 模块，如下：

1 import urllib.parse
2 data= {"kw":"贴吧"}
3 # 通过 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。
4 data = urllib.parse.urlencode(data)
5 print(data)  # kw=%E8%B4%B4%E5%90%A7
6 # 通过 unquote() 方法，把 URL编码字符串，转换回原先字符串。
7 data = urllib.parse.unquote(data)
8 print(data)  # kw=贴吧

下面我们来看一下 Get 请求

GET请求一般用于我们向服务器获取数据，比如说，我们用百度搜索贴吧，结果如下

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，其中就包含我们要查询的关键词贴吧，于是我们可以尝试用默认的 Get 方式来发送请求。

 1 import urllib.request
 2 import urllib.parse
 3 import ssl
 4 
 5 # 取消代理验证
 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": "贴吧"}
11 word = urllib.parse.urlencode(word)  # 转换成url编码格式（字符串）
12 url = url + "?" + word  # url首个分隔符就是 ?
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 作为Request()方法的参数，构造并返回一个Request对象
18 request = urllib.request.Request(url, headers=headers)
19 
20 # Request对象作为urlopen()方法的参数，发送给服务器并接收响应
21 response = urllib.request.urlopen(request)
22 
23 # 类文件对象支持 文件对象的操作方法，如read()方法读取文件全部内容，返回字符串
24 html = response.read().decode("utf-8")
25 
26 # 打印字符串
27 print(html)

我们在请求页面的时候将我们要传的值直接通过转码拼接在 url 地址后面，然后就可以获取到我们想要的内容了，最终结果如下：

通过开发者工具看页面的 HTML 和我们得到的结果是完全一致的。

接下来我们看一下 post 请求，先来看一个 post 请求接口：https://movie.douban.com/j/chart/top_list?type=11&interval_id=100:90&start=0&limit=10，该接口为豆瓣的一个电影列表接口，为 post 请求，url 问号后面的为请求参数，结果如下：

如果我们要使用 urllib 的 post 请求，则要在 Request 第二个参数加入我们想要的参数，如下：

 1 import urllib.request
 2 import urllib.parse
 3 import ssl
 4 
 5 # 取消代理验证
 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 请求参数
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 作为Request()方法的参数，构造并返回一个Request对象
20 request = urllib.request.Request("https://movie.douban.com/j/chart/top_list?", data=data, headers=headers)
21 
22 # Request对象作为urlopen()方法的参数，发送给服务器并接收响应
23 response = urllib.request.urlopen(request)
24 
25 # 类文件对象支持 文件对象的操作方法，如read()方法读取文件全部内容，返回字符串
26 html = response.read().decode("utf-8")
27 
28 # 打印字符串
29 print(html)

urllib 默认的是 get 请求，urllib.request.Request() 里第一个参数为 url 地址，第二个参数为请求报头 headers，请求包头可以不写。

urllib 默认的是 get 请求，urllib.request.Request() 里第一个参数为 url 地址，第二个参数为请求数据 data，第三个参数为请求报头 headers，请求包头可以不写。

最终结果如下：

和我们在页面请求的结果是一样的。

为什么有时候POST也能在URL内看到数据？

GET方式是直接以链接形式访问，链接中包含了所有的参数，服务器端用Request.QueryString获取变量的值。如果包含了密码的话是一种不安全的选择，不过你可以直观地看到自己提交了什么内容。

POST则不会在网址上显示所有的参数，服务器端用Request.Form获取提交的数据，在Form提交的时候。但是HTML代码里如果不指定 method 属性，则默认为GET请求，Form中提交的数据将会附加在url之后，以?分开与url分开。

表单数据可以作为 URL 字段（method="get"）或者 HTTP POST （method="post"）的方式来发送。

来源：oschina

链接：https://my.oschina.net/u/4267970/blog/4330010

标签

KHTML

python

gecko

safari

Chrome

Mac OS X