tenliu的爬虫-抓包分析

利用浏览器抓包，是爬虫中的很实用的技能。在爬虫编程之前，我们要对抓取的目标页面有所了解，比如浏览器的这个请求这个页面中间都经历了什么，数据是怎么发送和返回的。

抓包的作用

我把抓包分析的作用简单列一下：

• 分析请求的headers等等，可以加载到你的爬虫中，伪装成浏览器。往往可以躲过简单的反扒策略
• 登录状态获取，如果我们在浏览器中登录，抓包拿到cookies，加到我们的爬虫中，往往就可以绕过登录这道坎，爬虫直接登堂入室，抓取更有价值的数据
• post请求，例如页面中通过post提交的表单。我们就可以抓包看到请求是每个参数的key和value，key是什么、value有没有编码等等
• 抓接口，抓包往往可以看到服务器返回到浏览器的的响应数据是什么，比如很多页面中的数据，其实是中间经过一次接口的，接口中往往是json数据。这样爬虫就可以直接抓接口，而不是原网页。json数据中比页面解析提取数据来的遍历
• 抓包分析，有时可以绕过有些网站的反扒限制，甚至网站的验证码（极少其概况下啊）
• ···

如何抓包

案例一

浏览器例如Chrome、Firfox都支持抓包，我们以Chrome浏览器为例吧，要有一个抓包的页面啊
http://www.tenliu.top/index.php/httpclient/?query=%E4%B8%AD%E5%9B%BD%202018%20%E8%8A%82%E5%81%87%E6%97%A5
浏览器中输入这个链接，页面空白处，右键“检查”，点击“network”，再次刷新页面，看到如下：

看似访问一个页面，其实中间进过怎么多请求。
其中左侧，每一个请求的Headers标签中内容如下四个部分：

• General
• Response Header
• Request Headers
• Query
  其中重点在请求的headers，将里面的数据设置到你的爬虫，就可以伪装爬虫，通常设置Cookie、Host、User-Agent、Referer等。

案例二

post请求的抓包。
还是这个页面：

http://www.tenliu.top/index.php/httpclient/

我们看到有一个表单，可以post数据。在两个输入框填入内容点击提交吧，抓包看看，都是什么参数接受了你填写的内容。

案例三

抓包，获取接口。
这个页面
http://www.2345.com/corp.htm?innertab
想要获取这个页面上的各个行业和相应网址。抓取这个链接，提取页面元素。不论是用正则、xpath、beautifulsoup等等。有更好的办法吗？
抓包看看

通过抓包，我们得到接口：
http://www.2345.com/js/nvaurllist1202.js?v=8.13.1
抓取这个链接进行数据提取，不是比原页面简单些吗。