DC学院数据分析师（入门）学习笔记----高级爬虫技巧

    对于网站来说，实际上是不愿意让大家去爬取它的内容的，因为爬虫可能会对真实的用户带来不太好的影响（很多网站会限制流量，尤其是对爬虫产生的流量，会对服务器带来一定的压力）。所以网站会对爬虫有一定的抵制，如果不注意爬虫的技巧，有可能就被网站封杀IP，以致暂停了。

 

    那么如何能够轻松绕过部分的反爬虫限制，书写我们的爬虫呢？？

   

    1.设定程序休止时间

    连续不断的进行爬虫的抓取，就会被网站监测出来是一个爬虫程序。所以，我们应该在能够接受的速度内，尽量降低一下自己爬取的频率（中间停1-5秒，再去爬下一个），以免对这些网站产生不必要的影响，这样做也对网站的负荷会比较好。

    n为你想要实现的时间间隔

import time
time.sleep(n)

   

    2.设定代理

    设定代理的原因主要有两个：

    ①、有时候需要爬取的网站，通过我们的网络IP没有办法去进行访问。所以需要设置代理。如：在教育网里访问外网的网站；国内的IP有时候无法访问国外的网站等。

    ②、有时候，不管我们怎么设置我们的爬取频率，在爬取如新浪微博、Facebook等这些很成熟的网站的时候，这些网站的反爬虫技术很高超，所以会很快的检测到我们的机器爬虫程序，从而会把我们登录访问的ip地址封掉。比如针对facebook，它会禁止这个ip地址再去访问它的网站，即使我们重新启动爬虫，从无论是正常从浏览器访问还是爬虫访问，Facebook都一律不允许这个ip地址再去访问它的网站。

    那么，通过代理服务器如何进行呢？？

    传统：通常直接使用我们的电脑去访问网页。

    通过代理服务器：我们发送一个网络的请求，会首先发送到代理服务器上，代理服务器再把这个请求转发到网页所在的网站服务器。网站服务器回复的反馈会先发送到代理服务器上，代理服务器再发送给我们的电脑。在这种情况下，只要我们的电脑和代理服务器的连接是合理快速的，代理服务器和网站服务器的连接是顺畅快速的，通过代理服务器往往就可以加速我们访问目标网页的速度，甚至我们可以访问到一些我们之前无法访问的网页内容。

    那么，如何通过python访问代理服务器呢？？

#使用urllib.request的两个方法进行代理的设置
proxy = urlrequest.ProxyHandler({'https': '47.91.78.201:3128'})
opener = urlrequest.build_opener(proxy)

    代理服务器的存在，可以应对网站禁止某个IP访问的反爬虫措施，代理服务器有着不同的匿名类型，通常我们会挑选中、高级别的代理服务器来访问网页。（使用低级别的是没有用的，网站还是能够知道我们的真实IP，对于我们的爬取时没有任何帮助的，因为它还是能够封掉我们的真实IP）

   

    3.设定User-Agent

    网站是可以识别我们是否在使用Python进行爬取，需要我们在发送网络请求时，把header部分伪装成浏览器。

opener.addheaders = [('User-Agent','...')]

           用不同浏览器访问的header字符串，放入上述代码省略号的部分即可。

    常用的浏览器header有：

      网上查看还有这些：

    1.QQ浏览器： Mozilla/5.0 (compatible; MSIE 10.0; WindowsNT6.1; WOW64; Trident/6.0; QQBrowser/7.7.24962.400)   （我在代码中用的是这个）

    2. IE浏览器：Mozilla/5.0(compatible; MSIE 10.0;Windows NT 6.1; WOW64; Trident/6.0)

 

示例：Place PulseGoogle街景图爬取

    这是MIT的学术项目，爬取不同城市的街景地图，然后让人去手工标注图片中的城市哪个更安全，更有趣等等。

举个例子，下面这两个城市的图景。如果认为左边更好的话，就点击左边的城市，如果认为差不多的话就点击等号，

如果认为右边更好的话，就点击右边的城市。

    MIT会统计这些标注结果。

    这个数据集是这样的：（左边城市是什么，右边城市是什么，某人的打分）

    下载下来：

 

    结构：

    逗号来分隔每一个属性里面的值

 

           核心任务：

   把对应每一个图片ID的谷歌街景图片，根据它告诉我们的这个图片所在的GPS的经纬度的位置，利用readme中看到的google map的api，把这个图片下载下来。

 

    代码及注释：

 

# coding=utf-8

import urllib.request as urlrequest
import time
import random

# 1.准备工作:载入包,定义存储目录,连接API
IMG_PATH = './imgs/{}.jpg'  # 最终会把下载的图片存到这个目录下面
DATA_FILE = './data/votes.csv'

# 记录一下已经下载了哪些图片，把图片id放在里面，这样如果下载中止也能知道哪些已经下载了，
# 这样在下载一个图片之前，我们可以先判断一下这个图片的id是否在这个文件中有，如果有，就不用再下载了。
STORED_IMG_ID_FILE = './data/cached_img.txt'

STORED_IMG_IDS = set()  # 把已经下载的图片的id放在一个集合里面

# readme中提到的google针对下载街景地图的api
# 我们需要修改的是location，即经纬度
IMG_URL = 'https://maps.googleapis.com/maps/api/streetview?size=400x300&location={},{}'

# 2.应用爬虫技巧：使用代理服务器、User-Agent
# 根据网上找到的代理服务器来更新一下，因为代理服务器可以运行的时间也是有限制的
proxy = urlrequest.ProxyHandler({'https': '173.213.108.111:3128'})  # 设置代理服务器的地址
#opener = urlrequest.build_opener(proxy)
opener = urlrequest.build_opener()

# 设定User-Agent
opener.addheaders = [('User-Agent',
                      'Mozilla/5.0 (compatible; MSIE 10.0; WindowsNT 6.1; WOW64; Trident/6.0; QQBrowser/7.7.24962.400) ')]

urlrequest.install_opener(opener)

# 3.读取图片的id
with open(STORED_IMG_ID_FILE) as input_file:
    for line in input_file:
        STORED_IMG_IDS.add(line.strip())

# 4.根据提供的votes.csv，进行google街景图片的爬取
with open(DATA_FILE) as input_file:  # 读取votes.csv
    skip_first_line = True
    for line in input_file:
        if skip_first_line:  # 因为第一行是属性行，所以跳过
            skip_first_line = False
            continue
        # 根据逗号就行拆分成各个属性（这些属性在readme中可以看到）
        left_id, right_id, winner, left_lat, left_long, right_lat, right_long, category = line.split(',')

        # 针对左边的图片
        if left_id not in STORED_IMG_IDS:  # 如果左边的图片还没有下载
            print('saving img {}...'.format(left_id))
            urlrequest.urlretrieve(IMG_URL.format(left_lat, left_long), IMG_PATH.format(left_id))  # 文件命名为这个图片的id
            STORED_IMG_IDS.add(left_id)  # 把已经下载的图片的id加进集合中
            with open(STORED_IMG_ID_FILE, 'a') as output_file:  # 把已经下载的图片的id新添加进cached_img.txt中
                output_file.write('{}\n'.format(left_id))
            time_interval = random.uniform(1, 5)
            time.sleep(time_interval)  # wait some time, trying to avoid google forbidden (of crawler)

        # 针对右边的图片
        if right_id not in STORED_IMG_IDS:
            print('saving img {}...'.format(right_id))
            urlrequest.urlretrieve(IMG_URL.format(right_lat, right_long), IMG_PATH.format(right_id))
            STORED_IMG_IDS.add(right_id)
            with open(STORED_IMG_ID_FILE, 'a') as output_file:
                output_file.write('{}\n'.format(right_id))
            time_interval = random.uniform(1, 5)
            time.sleep(time_interval)  # wait some time, trying to avoid google forbidden (of crawler)

 

        国外服务器的代理地址，可以在 http://www.kuaidaili.com/free/outha/这个网站中找到。

          可以看到每个地址对应ip地址所在的国家，匿名的程度等等。

 

    这里需要注意我们不能使用低级（Transparent）代理。

 

 

          先来运行不使用代理服务器的程序：

      速度很慢，存储不动，google在大陆访问起来还是比较困难的。

 

    运行设置代理服务器的程序：

       可以顺利进行，这说明我们成功连接到了代理的一个服务器上，再通过这个代理服务器连接到了google上。

 

       在文件夹里可以查看到我们从googlemap中下载到的图片以及图片的id。