利用urllib_ajax的get方法发送GET请求并获取响应数据
urllib_ajax的get方法主要用于通过Python代码同步发送GET请求并获取响应数据。以下是使用urllib_ajax的get方法的一些详细步骤和示例:
- 选择URL和头部信息:首先需要确定要爬取的页面的URL,并根据需要设置请求头(headers)。
- 创建请求对象:使用urllib.request.Request 类创建一个请求对象,指定URL和必要的头部信息。
- 发送请求并获取响应:使用urllib.request.urlopen 方法发送请求并获取响应数据。
- 处理响应数据:将获取到的响应数据解码为字符串格式,并进行进一步处理或保存到本地。
- 保存数据:可以将获取到的数据保存到本地文件中,通常需要指定编码格式为UTF-8以正确保存汉字。
以下是一个具体的示例代码,用于爬取豆瓣电影第一页的数据:
import urllib.request
url = 'https://movie.douban.com/j/chart/top_list?type=5&interval_id=100%3A90&action=&start=0&limit=20'
headers = {
'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/92.0.4515.159 Safari/537.36'
}
# (1) 请求对象的定制
request = urllib.request.Request(url=url,headers=headers)
# (2)获取响应的数据
response = urllib.request.urlopen(request)
content = response.read().decode('utf-8')
# (3) 数据下载到本地
# open方法默认情况下使用的是gbk的编码 如果我们要想保存汉字 那么需要在open方法中指定编码格式为utf-8
# encoding = 'utf-8'
# fp = open('douban.json','w',encoding='utf-8')
# fp.write(content)
with open('douban1.json','w',encoding='utf-8') as fp:
fp.write(content)
在这个示例中,我们首先设置了请求的URL和用户代理头信息,然后创建了一个请求对象并发送请求,最后获取响应数据并将其保存到本地文件中。
拓展
爬取豆瓣电影前十页的数据:
import urllib.parse
import urllib.request
def create_request(page):
base_url = 'https://movie.douban.com/j/chart/top_list?type=5&interval_id=100%3A90&action=&'
data = {
'start':(page - 1) * 20,
'limit':20
}
data = urllib.parse.urlencode(data)
url = base_url + data
headers = {
'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/92.0.4515.159 Safari/537.36'
}
request = urllib.request.Request(url=url,headers=headers)
return request
def get_content(request):
response = urllib.request.urlopen(request)
content = response.read().decode('utf-8')
return content
def down_load(page,content):
with open('douban_' + str(page) + '.json','w',encoding='utf-8')as fp:
fp.write(content)
# 程序的入口
if __name__ == '__main__':
start_page = int(input('请输入起始的页码'))
end_page = int(input('请输入结束的页面'))
for page in range(start_page,end_page+1):
# 每一页都有自己的请求对象的定制
request = create_request(page)
# 获取响应的数据
content = get_content(request)
# 下载
down_load(page,content)
需要注意的是,虽然urllib_ajax的get方法可以用于同步发送请求,但有些网站的内容是通过Ajax异步加载的,这种情况下可能需要结合其他技术(如JavaScript)来实现更复杂的爬虫逻辑。