Spider爬虫-get、post请求

1：概念：

　　 爬虫就是通过编写程序，模拟浏览器上网，然后让其去互联网上抓取数据的过程。

2：python爬虫与其他语言的比较：

　　（1）php爬虫弊端：多进程多线程支持的不好
　　（2）java:代码臃肿，重构成本较大
　　（3）C/c++:不明智的选择，C语言纯面向过程
　　（4）Python:学习成本低，较多模块，具有框架的支持，Scripy

3：分类（使用场景）

　　（1）通用爬虫：是搜素引擎中’抓取系统‘的重要组成部分（爬取的是整张页面）。将互联网上页面内容进行抓取下载到服务器本地
　　　　扩展：搜素引擎如何抓取互联网的网页
　　　　1.门户主动将自己的url提交给搜素引擎公司
　　　　2.搜索引擎公司会和DNS服务商进行合作
　　　　3.挂靠知名网站的友情链接

　　（2）聚焦爬虫：根据指定的需求去网上爬去指定的内容

4.robots.txt协议：指定的是门户中哪些数据可以供爬虫程序进行爬取和非爬取。（协议是防君子不防小人）

查看网站后台的robots协议：

 5.反爬虫：

　　门户网站通过相应的策略和技术手段，防止爬虫程序进行网站数据的爬取。

6.反反爬虫：

　　爬虫程序通过相应的策略和技术手段，破解门户网站的反爬虫手段，从而爬取到相应的数据。

 

get请求，爬取数据实例：

（1）：简单的get请求：模拟浏览器发送get请求，在百度上爬取搜索明星名字页面

import requests
#get请求：爬取百度搜素
get_url='http://www.baidu.com/s'
wd=input('输入你要搜素的明星名字：')

param={
    'ie':'utf-8',
    'wd':wd,

}
response=requests.get(url=get_url,params=param)
# print(response.text)
data=response.text

filename=wd+'.html'
with open(filename,'wt',encoding='utf-8') as f:
    f.write(data)

 实现的效果如下：

 

结合fiddler抓包工具图解分析如下：

 

 （2）：基于ajax的get请求：获取豆瓣网上的电影排行榜信息

import requests
#指定开始位置和结束位置：start开始的视频  limit：即每页显示的视频数量（默认每页是20个可以自己设定每页显示的数值）
get_url='https://movie.douban.com/j/chart/top_list?type=13&interval_id=100%3A90&action=&start=0&limit=20'

param={

    'type':'13',
    'interval_id':'100:90',
    'action':'',
    'start':'0',  #指定开始爬取的开始位置
    'limit':'20', #默认每页的显示的视频个数

}

response=requests.get(url=get_url,params=param)
print(response.text)

要获取的页面信息如下：

结合抓包工具，分析如下：

 结果如下，就能实现获取指定页数指定数量的电影信息：

 

 

 

post请求，爬取数据实例：

 （1）：普通post请求，爬取百度翻译信息

import requests
#百度翻译：爬取post请求翻译结果

#如下两行代码表示的是忽略证书（SSLError）
import ssl
ssl._create_default_https_context = ssl._create_unverified_context

url='https://fanyi.baidu.com/sug'

header={

    'User-Agent':'Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/53.0.2785.89 Safari/537.36',

}
data={
   'kw':'hi'

}

response=requests.post(url,data=data,headers=header )
print(response.text)

 

（2）：基于ajax的post请求，搜素肯德基的门店信息

网址：http://www.kfc.com.cn/kfccda/storelist/index.aspx

import requests

#KFC门店查询
get_url='http://www.kfc.com.cn/kfccda/ashx/GetStoreList.ashx?op=keyword'

header={
    'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/53.0.2785.89 Safari/537.36',
}

address=input('输入你要查询的城市>>>:')
start_page=int(input('输入开始页>>>:'))
end_page=int(input('输入结束页>>>:'))

#for循环拿到每一页的页码数（for..range取值，所以页码数必须为int类型）
for page in range(start_page,end_page+1):

    data={
        'cname':'',
        'pid':'',
        'keyword':address,
        'pageIndex':str(page),
        'pageSize':'10',        #每页显示10条信息

    }
    #显示每一页的10条门店信息
    response=requests.post(url=get_url,data=data,headers=header)
    print(response.text)

 

 

转载于:https://www.cnblogs.com/yangzhizong/p/9703542.html