一木.溪桥学爬虫-04：requests模块

最新推荐文章于 2024-06-21 12:33:31 发布

一木.溪桥

最新推荐文章于 2024-06-21 12:33:31 发布

阅读量346

点赞数

分类专栏： Python 爬虫文章标签： python

本文链接：https://blog.csdn.net/FaFrFu/article/details/113804770

版权

Python 爬虫专栏收录该内容

4 篇文章 1 订阅

订阅专栏

一木.溪桥在Logic Education跟Jerry学爬虫

07期：Python 爬虫
一木.溪桥学爬虫-04：requests模块、cookie、session
日期：2021年1月31日

学习目标：

requests模块
cookie
session

学习内容：

requests安装

pip install requests
pip install requests -i https://pypi.douban.com/simple

requests快速入门(重点)

requests.get（网址）
requests.content

是直接从网站上抓取的数据，没有做任何的处理，也就是没有做任何的编码。返回字节流数据(二进制)
requests.text

requests 模块将response.content 解码后得到的字符串requests模块它会猜一个解码方式所以你在使用 response.text来查询响应结果的时候就会出现乱码：返回unicode格式的数据(str)
encode 编码
decode 解码
response.content.decode(‘utf-8’) 手动进行解码
response.url 返回url
response.encode() = ‘编码’

import requests
# 添加heasers
# 问题一 数据不对
headers = {
    'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/87.0.4280.141 Safari/537.36'
}
# 携带参数
kw = {'wd': '中国'}
# 发起请求
response = requests.get('https://www.baidu.com/s?', params=kw, headers=headers)
# 响应对象
print(response.text)  # 获取网页源码
print(response.url)  # 获取请求的url

import requests


# 问题二 数据乱码
headers = {
    'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/87.0.4280.141 Safari/537.36'
}

# 发起请求
response = requests.get('https://qq.yh31.com/zjbq/2920180.html', headers=headers)
# print(response.text) 返回的是 str
# print(response.content) # 返回的是 bytes
# print(response.content.decode('utf-8')) # 推荐用这种方式 它返回的也是str类型的数据

response.encoding = 'utf-8'
print(response.text)

requests 小技巧

设置代理

解决的是什么问题？
- 解决的是一种封IP的反爬机制。

设置代理

代理服务器的IP

import requests
url = 'http://httpbin.org/ip'
# 设置代理
proxy = {
    'http': '124.205.155.154:9090'
}
res = requests.get(url, proxies=proxy)
print(res.text)

代理IP的作用
- 隐藏真实IP
- 反反爬
如何找代理IP
- 免费的IP（几乎用不了）
- 付费的IP
- 快代理
匿名度
- 透明：它知道你真实的IP，也知道你使用了代理
- 匿名：它知道你使用了代理，但是不知道你真实的IP
- 高匿：不知道你使用了代理，也不知道你真实的IP

处理不信任的SSL证书

SSL证书是数字证书的一种，类似于驾驶证、护照和营业执照的电子副本。因为配置在服务器上，也称为SSL服务器证书。SSL 证书就是遵守 SSL协议，由受信任的数字证书颁发机构CA，在验证服务器身份后颁发，具有服务器身份验证和数据传输加密功能。

测试网站 https://inv-veri.chinatax.gov.cn/

res = requests.get(url, verify=False)

import requests


url = 'https://inv-veri.chinatax.gov.cn/'
res = requests.get(url, verify=False)       # verify=False处理不信任的SSL证书的方法
print(res.text)

cookie

cookie ：通过在客户端记录的信息确定用户身份。

HTTP是一种无连接协议,客户端和服务器交互仅仅限于请求/响应过程,结束后断开,下一次请求时,服务器会认为是一个新的客户端,为了维护他们之间的连接,让服务器知道这是前一个用户发起的请求,必须在一个地方保存客户端信息。

cookie在爬虫当中有什么作用？

反反爬（分情况）有的情况需要加上cookie，而有的情况加上cookie反而不好。

import requests
url = 'https://kyfw.12306.cn/otn/leftTicket/queryZ?leftTicketDTO.train_date=2021-01-31&leftTicketDTO.from_station=CSQ&leftTicketDTO.to_station=BXP&purpose_codes=ADULT'
headers = {
    'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/87.0.4280.141 Safari/537.36',
    'Cookie':'_uab_collina=159490169403897938828076; JSESSIONID=059E6A956317A6C29612191B80756EAE; _jc_save_wfdc_flag=dc; _jc_save_fromStation=%u957F%u6C99%2CCSQ; _jc_save_toStation=%u5317%u4EAC%2CBXP; BIGipServerotn=770703882.38945.0000; BIGipServerpool_passport=82051594.50215.0000; RAIL_EXPIRATION=1612306095523; RAIL_DEVICEID=MUbHpgONO-X61Z236wAlH9EJl5tTVqhKDGL0CK19twFmu4Q2DzVSkR6Vzo5JmksTSutFybiXbqLCiq58Ogotzy4h_80GW4xL9sywrvxTIbthUTAS_qAPqjJ9doueJxATHNiptXa4jZrfnbXeQ07idJRMe5vs2NAo; route=495c805987d0f5c8c84b14f60212447d; _jc_save_fromDate=2021-01-31; _jc_save_toDate=2021-01-30'

}
res = requests.get(url, headers=headers)
print(res.content.decode('utf-8'))

模拟登录

# 人人网模拟登录
import requests
headers = {
    'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/87.0.4280.141 Safari/537.36',
    'Cookie':'anonymid=kc1mze9joexboe; _r01_=1; taihe_bi_sdk_uid=c5ab893b13e43548f001c993d2154595; '
             'jebe_key=5337f110-24a5-48d0-9393-8a1a4cc620c5%7Cbd5a1aba8e897ca35d9faabeb72dc675%7C1593503968723%7C1%7C1593503971085; jebe_key=5337f110-24a5-48d0-9393-8a1a4cc620c5%7Cbd5a1aba8e897ca35d9faabeb72dc675%7C1593503968723%7C1%7C1593503971087; depovince=HUN; JSESSIONID=abclfrdcXF9NbbatAOIDx; taihe_bi_sdk_session=65324970426d3a0861752a5ee25f5daa; ick_login=95400701-ce98-4eef-8120-5aeb3cb0dd9e; t=3b767095c882e7b11e76f06b0f1ca7584; societyguester=3b767095c882e7b11e76f06b0f1ca7584; id=974676254; xnsid=9d5e007a; jebecookies=498dd881-4b83-45e3-bcde-e57009790821|||||; ver=7.0; loginfrom=null; wp_fold=0'
}
url = 'http://www.renren.com/974676254/profile'
req = requests.get(url, headers=headers)
# print(req.text)
with open('rr2.html', 'w', encoding='utf-8') as file_obj:
    file_obj.write(req.text)

补充 遇到ajax加载的数据 动态网页的数据(不在源码当中)
解决方式一 可以在NetWork中分析它的数据接口(看12306的案例)
解决方式二 可以通过selenium来获取数据 (以后在说)

requests.session()（拓展）

session:通过在服务端记录的信息确定用户身份
在这里我们主要说的是requests模块中的session 指的就是一个会话。
- requests.session() # 保持会话
例：需求：突破12306图片验证码 {result_message: “验证码校验成功”, result_code: “4”}
- 第一种账号正确密码错误验证码错误 {result_message: “验证码校验失败”, result_code: “5”}
- 第二种账号正确密码错误验证码正确 {result_message: “验证码校验成功”, result_code: “4”} login
- 第三种账号正确密码正确验证码正确

步骤

第一步明确目标url https://kyfw.12306.cn/passport/captcha/captcha-check
第二步采用post 请求携带数据 response
第三步要获取验证码的图片
第四步找到正确的验证码

补充
注意 data:image/jpg;base64 需要删掉

https://kyfw.12306.cn/passport/captcha/captcha-image64?login_site=E&module=login&rand=sjrand&1612270067237&callback=jQuery19103867502059860666_1612270057099&_=1612270057100


https://kyfw.12306.cn/passport/captcha/captcha-image64?login_site=E&module=login&rand=sjrand&1612268610660&callback=jQuery19107815595372326347_1612268556807&_=1612268556812
二者相同的内容
https://kyfw.12306.cn/passport/captcha/captcha-image64?login_site=E&module=login&rand=sjrand

它就是一个12306图片验证码的链接
需要删除 64
https://kyfw.12306.cn/passport/captcha/captcha-image?login_site=E&module=login&rand=sjrand

分析总结
我们由正常的方式发现这个代码比较臃肿。所以就采用另外的方式来获取验证码的图片链接。
第一次 打开登录页面的时候就有这个图片那就证明 肯定是有一个地址的存在 然后经过尝试和对比 得出了一个12306图片验证码的url

import requests
req = requests.session()  # 保持会话
#　主机是win10  python 3.6.5
#  win7 python 3.6.4
def login():

    # 获取图片,对比https,删除-image64中的64
    pic_response = req.get('https://kyfw.12306.cn/passport/captcha/captcha-image?login_site=E&module=login&rand=sjrand')
    codeImage = pic_response.content
    fn = open('code2.png', 'wb')
    fn.write(codeImage)
    fn.close()

    headers = {
        'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/87.0.4280.141 Safari/537.36'
    }
    # 投机行为
    codeStr = input('请输入验证码坐标:')
    data = {
        'answer': codeStr,
        'rand': 'sjrand',
        'login_site': 'E',
    }

    response = req.post('https://kyfw.12306.cn/passport/captcha/captcha-check', data=data, headers=headers)

    print(response.text)

login()

requests源码分析(拓展)

为什么要进行源码分析呢？

1 提供思路提供解决方案
2 了解优秀代码的编写逻辑
3 程序员基本的素养企业的要求
4 下载源码位置：https://github.com/
5 Pycharm: File–>All close–>Check out from Version Control–>Git–>URL:…–>Test–>Clone–> 得到requests源码

End !
Best wishes for you！

一木.溪桥

关注

0
点赞
踩
0

收藏

觉得还不错? 一键收藏
1
评论
一木.溪桥学爬虫-04：requests模块

一木.溪桥在Logic Education跟Jerry学爬虫 07期：Python 爬虫一木.溪桥学爬虫-04：requests模块、cookie、session 日期：2021年1月31日学习目标：requests模块cookiesession学习内容：requests安装pip install requestspip install requests -i https://pypi.douban.com/simple..
复制链接

扫一扫