Python实战练习之终于对肯德基下手(肯德基请求)

准备工作

查看肯德基官网的请求方法：post请求。

X-Requested-With: XMLHttpRequest 判断得肯德基官网是ajax请求

通过这两个准备步骤，明确本次爬虫目标：
ajax的post请求肯德基官网获取上海肯德基地点前10页。

分析

获取上海肯德基地点前10页，那就需要先对每页的url进行分析。

第一页

# page1
# http://www.kfc.com.cn/kfccda/ashx/GetStoreList.ashx?op=cname
# POST
# cname: 上海
# pid:
# pageIndex: 1
# pageSize: 10

第二页

# page2
# http://www.kfc.com.cn/kfccda/ashx/GetStoreList.ashx?op=cname
# POST
# cname: 上海
# pid:
# pageIndex: 2
# pageSize: 10

第三页依次类推。

程序入口

首先回顾urllib爬取的基本操作：

# 使用urllib获取百度首页的源码
import urllib.request
# 1.定义一个url，就是你要访问的地址
url = 'http://www.baidu.com'
# 2.模拟浏览器向服务器发送请求 response响应
response = urllib.request.urlopen(url)
# 3.获取响应中的页面的源码 content内容
# read方法 返回的是字节形式的二进制数据
# 将二进制数据转换为字符串
# 二进制-->字符串  解码 decode方法
content = response.read().decode('utf-8')
# 4.打印数据
print(content)

定义一个url，就是你要访问的地址
模拟浏览器向服务器发送请求 response响应
获取响应中的页面的源码 content内容

if __name__ == '__main__':
 start_page = int(input('请输入起始页码: '))
 end_page = int(input('请输入结束页码: '))
 for page in range(start_page, end_page+1):
  # 请求对象的定制
  request = create_request(page)
  # 获取网页源码
  content = get_content(request)
  # 下载数据
  down_load(page, content)

对应的，我们在主函数中也类似声明方法。

url组成数据定位

爬虫的关键在于找接口。对于这个案例，在预览页可以找到页面对应的json数据，说明这是我们要的数据。

构造url

不难发现，肯德基官网的url的一个共同点，我们把它保存为base_url。

base_url = 'http://www.kfc.com.cn/kfccda/ashx/GetStoreList.ashx?op=cname'

参数

老样子，找规律，只有'pageIndex'和页码有关。

 data = {
  'cname': '上海',
  'pid': '',
  'pageIndex': page,
  'pageSize': '10'
 }

post请求

post请求的参数必须要进行编码

data = urllib.parse.urlencode(data).encode('utf-8')

编码之后必须调用encode方法
参数放在请求对象定制的方法中：post的请求的参数，是不会拼接在url后面的，而是放在请求对象定制的参数中

所以将data进行编码

data = urllib.parse.urlencode(data).encode('utf-8')

标头获取（防止反爬的一种手段）

即响应头中UA部分。

User Agent，用户代理，特殊字符串头，使得服务器能够识别客户使用的操作系统及版本，CPU类型，浏览器及版本，浏览器内核，浏览器渲染引擎，浏览器语言，浏览器插件等。

 headers = {
  'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/94.0.4606.71 Safari/537.36 Edg/94.0.992.38'
 }

请求对象定制

参数，base_url，请求头都准备得当后，就可以进行请求对象定制了。

 request = urllib.request.Request(base_url,
  headers=headers, data=data)

获取网页源码

把request请求作为参数，模拟浏览器向服务器发送请求获得response响应。

 response = urllib.request.urlopen(request)
 content = response.read().decode('utf-8')

获取响应中的页面的源码，下载数据

使用 read()方法，得到字节形式的二进制数据，需要使用 decode进行解码，转换为字符串。

content = response.read().decode('utf-8')

然后我们将下载得到的数据写进文件，使用 with open() as fp 的语法，系统自动关闭文件。

def down_load(page, content):
 with open('kfc_' + str(page) + '.json', 'w', encoding='utf-8') as fp:
  fp.write(content)

全部代码

# ajax的post请求肯德基官网 获取上海肯德基地点前10页
# page1
# http://www.kfc.com.cn/kfccda/ashx/GetStoreList.ashx?op=cname
# POST
# cname: 上海
# pid:
# pageIndex: 1
# pageSize: 10
# page2
# http://www.kfc.com.cn/kfccda/ashx/GetStoreList.ashx?op=cname
# POST
# cname: 上海
# pid:
# pageIndex: 2
# pageSize: 10
import urllib.request, urllib.parse
def create_request(page):
 base_url = 'http://www.kfc.com.cn/kfccda/ashx/GetStoreList.ashx?op=cname'
 data = {
  'cname': '上海',
  'pid': '',
  'pageIndex': page,
  'pageSize': '10'
 }
 data = urllib.parse.urlencode(data).encode('utf-8')
 headers = {
  'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/94.0.4606.71 Safari/537.36 Edg/94.0.992.38'
 }
 request = urllib.request.Request(base_url, headers=headers, data=data)
 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('kfc_' + str(page) + '.json', 'w', encoding='utf-8') as fp:
  fp.write(content)
if __name__ == '__main__':
 start_page = int(input('请输入起始页码: '))
 end_page = int(input('请输入结束页码: '))
 for page in range(start_page, end_page+1):
  # 请求对象的定制
  request = create_request(page)
  # 获取网页源码
  content = get_content(request)
  # 下载数据
  down_load(page, content)

爬取后结果