【编程语言】Python|【Python爬虫】手把手带你爬下肯德基官网（ajax的post请求） ajax|爬虫|python

文章图片

准备工作查看肯德基官网的请求方法：post请求。

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

文章图片

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

【编程语言】Python|【Python爬虫】手把手带你爬下肯德基官网（ajax的post请求）

文章图片

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。

文章图片

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 = https://www.it610.com/article/{'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 = https://www.it610.com/article/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 = https://www.it610.com/article/urllib.parse.urlencode(data).encode('utf-8')

标头获取（防止反爬的一种手段）

文章图片

文章图片

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=https://www.it610.com/article/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: 10import urllib.request, urllib.parsedef create_request(page): base_url = 'http://www.kfc.com.cn/kfccda/ashx/GetStoreList.ashx?op=cname'data = https://www.it610.com/article/{'cname': '上海', 'pid': '', 'pageIndex': page, 'pageSize': '10' }data = https://www.it610.com/article/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=https://www.it610.com/article/data) return requestdef get_content(request): response = urllib.request.urlopen(request) content = response.read().decode('utf-8') return contentdef 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