Python爬虫学习(三)回顾
请求模块总结
- urllib库使用流程
# 编码+拼接URL地址
params = {
'':'',
'':''
}
params = urllib.parse.urlencode(params)
url = baseurl + params
# 请求
request = urllib.request.Request(url,headers=headers)
response = urllib.request.urlopen(request)
html = response.read().decode('utf-8','ignore')
【代码中遇到如下问题,考虑decode()问题】
1) 乱码
2) decode error: utf-8 code can not character \xxx .... ....
- requests模块使用流程
url = 'http://www.baidu.com/'
html = requests.get(url=url,headers=headers).text
html = requests.get(url=url,headers=headers).content.decode('gb2312','ignore')
- 响应对象res属性
res.text : '字符串'
res.content : 'bytes'
res.status_code : 'HTTP响应码'
res.url : '实际数据URL地址'
-
非结构化数据保存
【1】文件名 : 可以使用URL地址进行切割或切片 【2】保存时以 wb 的方式打开文件 【3】可用os模块创建并指定保存路径 import os if not os.path.exists(directory): os.makedirs(directory)
Chrome浏览器安装插件
-
安装方法
【1】从网上下载相关插件 - xxx.crx 重命名为 xxx.zip 【2】Chrome浏览器->设置->更多工具->扩展程序->开发者模式 【3】拖拽zip文件(或解压后的文件夹) 到浏览器页面 【4】重启浏览器,使插件生效 【注意】: 当然也可以使用在线安装插件
目前反爬总结
-
反爬虫梳理
【1】基于User-Agent反爬 1.1) 发送请求携带请求头: headers={'User-Agent' : 'Mozilla/5.0 xxxxxx'} 1.2) 多个请求时随机切换User-Agent a) 定义列表存放大量User-Agent,使用random.choice()每次随机选择 b) 定义py文件存放大量User-Agent,导入后使用random.choice()每次随机选择 c) 使用fake_useragent模块每次访问随机生成User-Agent from fake_useragent import UserAgent agent = UserAgent().random 【2】响应内容中嵌入JS反爬 2.1) 现象: html页面中使用xpath helper可匹配出内容,但是程序中匹配结果为空 2.2) 原因: 响应内容中嵌入js,浏览器自动执行JS会调整页面结构 2.3) 解决方案: 在程序中打印响应内容:print(html)或者将html保存到本地文件,根据实际响应内容结构来进一步调整xpath或者正则表达式
requests模块参数总结
【1】方法 : requests.get()
【2】参数
2.1) url
2.2) headers
2.3) timeout
解析模块总结
- re正则解析
import re
pattern = re.compile(r'正则表达式',re.S)
r_list = pattern.findall(html)
- lxml+xpath解析
from lxml import etree
p = etree.HTML(res.text)
r_list = p.xpath('xpath表达式')
【谨记】只要调用了xpath,得到的结果一定为'列表'
xpath表达式
-
匹配规则
【1】结果: 节点对象列表 1.1) xpath示例: //div、//div[@class="student"]、//div/a[@title="stu"]/span 【2】结果: 字符串列表 2.1) xpath表达式中末尾为: @src、@href、text()
-
xpath高级
【1】基准xpath表达式: 得到节点对象列表 【2】for r in [节点对象列表]: username = r.xpath('./xxxxxx') 【注意】遍历后继续xpath一定要以: . 开头,代表当前节点
-
写程序注意
【终极目标】: 不要使你的程序因为任何异常而终止
【需要注意】
1、页面请求设置超时时间,并用try捕捉异常,超过指定次数则更换下一个URL地址
2、所抓取任何数据,获取具体数据前先判断是否存在该数据
Python爬虫学习(四)
百度贴吧图片抓取
-
目标
抓取指定贴吧所有图片
-
思路
【1】获取贴吧主页URL,下一页,找到不同页的URL规律 【2】获取1页中所有帖子URL地址: [帖子链接1,帖子链接2,...] 【3】对每个帖子链接发请求,获取图片URL列表: [图片链接1,图片链接2,...] 【4】向图片的URL发请求,以wb方式写入本地文件
-
实现步骤
【1】响应内容总是否存在所抓数据 : 存在! 【2】贴吧URL规律 http://tieba.baidu.com/f?kw=??&pn=50 【3】xpath表达式 3.1) 帖子链接: //div[@class="t_con cleafix"]/div/div/div/a/@href 3.2) 图片链接: //div[@class="d_post_content j_d_post_content clearfix"]/img[@class="BDE_Image"]/@src 3.3) 视频链接: //div[@class="video_src_wrapper"]/embed/@data-video 此处视频链接前端对响应内容做了处理,需要查看网页源代码来查看,复制HTML代码在线格式化
-
代码实现
"""抓取指定贴吧的所有帖子中图片""" import requests from lxml import etree import time import random from urllib import parse class TiebaImageSpider(object): def __init__(self): self.url = 'http://tieba.baidu.com/f?kw={}&pn={}' self.headers = { 'User-Agent':'Mozilla/4.0 (compatible; MSIE 8.0; Windows NT 6.1; WOW64; Trident/4.0; SLCC2; .NET CLR 2.0.50727; .NET CLR 3.5.30729; .NET CLR 3.0.30729; Media Center PC 6.0; .NET4.0C; InfoPath.3)' } def get_html(self,url): """请求功能函数""" html = requests.get(url=url,headers=self.headers).text return html def xpath_func(self,html,xpath_bds): """解析功能函数""" parse_html = etree.HTML(html) r_list = parse_html.xpath(xpath_bds) return r_list def get_images(self,one_url): one_html = self.get_html(one_url) xpath_bds = '//div[@class="t_con cleafix"]/div/div/div/a/@href' href_list = self.xpath_func(one_html,xpath_bds) # href_list: ['/p/2323','/p/23322',''] for href in href_list: t_link = 'http://tieba.baidu.com' + href # 把1个帖子中所有图片保存下来 self.save_images(t_link) def save_images(self,t_link): two_html = self.get_html(t_link) two_xpath = '//div[@class="d_post_content j_d_post_content clearfix"]/img[@class="BDE_Image"]/@src | //div[@class="video_src_wrapper"]/embed/@data-video' src_list = self.xpath_func(two_html,two_xpath) for src in src_list: img_html = requests.get(url=src,headers=self.headers).content filename = src[-10:] with open(filename,'wb') as f: f.write(img_html) print(filename,'下载成功') time.sleep(random.uniform(0,1)) def run(self): name = input("请输入贴吧名:") begin = int(input('请输入起始页:')) end = int(input('请输入终止页:')) name = parse.quote(name) for page in range(begin,end+1): pn = (page-1)*50 url = self.url.format(name,pn) self.get_images(url) if __name__ == '__main__': spider = TiebaImageSpider() spider.run()
requests.get()参数
查询参数-params
-
参数类型
字典,字典中键值对作为查询参数
-
使用方法
【1】res = requests.get(url=baseurl,params=params,headers=headers) 【2】特点: 2.1) url为基准的url地址,不包含查询参数 2.2) 该方法会自动对params字典编码,然后和url拼接
-
示例
import requests baseurl = 'http://tieba.baidu.com/f?' params = { 'kw' : '赵丽颖吧', 'pn' : '50' } headers = {'User-Agent' : 'Mozilla/4.0'} # 自动对params进行编码,然后自动和url进行拼接,去发请求 html = requests.get(url=baseurl,params=params,headers=headers).content.decode()
Web客户端验证参数-auth
-
作用及类型
1、针对于需要web客户端用户名密码认证的网站 2、auth = ('username','password')
-
达内code课程方向案例
【要求】爬取指定路径下的所有的 .zip 文件 【1】URL地址: http://code.tarena.com.cn/AIDCode/aid1910/16_Spider/ 【2】xpath表达式 : //a/@href 【3】保存路径: /home/tarena/AIDCode/aid1910/16_Spider/ 【知识点】 1) auth参数 - ('用户名','密码') 2) 字符串方法: a> string.endswith('xxx') b> string.startswith('xxx') c> string.split('xxx') d> 'xxx'.join([]) e> string.replace('原字符串','新字符串') f> 切片: 正向切 反向切
-
代码实现
import requests from lxml import etree import os class NoteSpider: def __init__(self): self.url = 'http://code.tarena.com.cn/AIDCode/aid1910/16_Spider/' self.headers = {'User-Agent':'Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/535.1 (KHTML, like Gecko) Chrome/14.0.835.163 Safari/535.1'} self.auth = ('tarenacode','code_2013') self.directory = '/home/tarena/{}'.format('/'.join(self.url.split('/')[3:])) if not os.path.exists(self.directory): os.makedirs(self.directory) def get_html(self): html = requests.get(url=self.url,auth=self.auth,headers=self.headers).text p = etree.HTML(html) r_list = p.xpath('//a/text()') for r in r_list: if r.endswith('.zip'): self.download_file(r) def download_file(self,r): file_url = self.url + r html = requests.get(url=file_url,auth=self.auth,headers=self.headers).content filename = self.directory + r with open(filename,'wb') as f: f.write(html) print(filename,'下载成功') if __name__ == '__main__': spider = NoteSpider() spider.get_html()
SSL证书认证参数-verify
-
适用网站及场景
【1】适用网站: https类型网站但是没有经过 证书认证机构 认证的网站 【2】适用场景: 抛出 SSLError 异常则考虑使用此参数
-
参数类型
【1】verify=True(默认) : 检查证书认证 【2】verify=False(常用): 忽略证书认证 【3】示例 res = requests.get(url=url,params=params,headers=headers,verify=False)
代理参数-proxies
-
定义及分类
【1】定义 : 代替你原来的IP地址去对接网络的IP地址 【2】作用 : 隐藏自身真实IP,避免被封 【3】种类 3.1) 高匿代理: Web端只能看到代理IP 3.2) 普通代理: Web端知道有人通过此代理IP访问,但不知用户真实IP 3.3) 透明代理: Web能看到用户真实IP,也能看到代理IP
-
普通代理
【1】获取代理IP网站 西刺代理、快代理、全网代理、代理精灵、... ... 【2】参数类型 proxies = { '协议':'协议://IP:端口号' } proxies = { 'http':'http://IP:端口号', 'https':'https://IP:端口号', }
-
普通代理 - 示例
# 使用免费普通代理IP访问测试网站: http://httpbin.org/get import requests url = 'http://httpbin.org/get' headers = {'User-Agent':'Mozilla/5.0'} # 定义代理,在代理IP网站中查找免费代理IP proxies = { 'http':'http://112.85.164.220:9999', 'https':'https://112.85.164.220:9999' } html = requests.get(url,proxies=proxies,headers=headers,timeout=5).text print(html)
-
私密代理+独享代理
【1】语法结构 proxies = { '协议':'协议://用户名:密码@IP:端口号' } 【2】示例 proxies = { 'http':'http://用户名:密码@IP:端口号', 'https':'https://用户名:密码@IP:端口号', }
-
私密代理+独享代理 - 示例代码
import requests url = 'http://httpbin.org/get' proxies = { 'http': 'http://xxxxx:xxxxx@106.75.71.140:16816', 'https':'https://xxxxx:xxxxx@106.75.71.140:16816', } headers = { 'User-Agent' : 'Mozilla/5.0', } html = requests.get(url,proxies=proxies,headers=headers,timeout=5).text print(html)
get()方法参数
【1】url=url
【2】params={}
【3】auth=()
【4】proxies={}
【5】headers={}
【6】timeout=3
【7】verify=False | True
【8】cookies={}
requests.post()
-
适用场景
【1】适用场景 : Post类型请求的网站 【2】参数 : data={} 2.1) Form表单数据: 字典 2.2) res = requests.post(url=url,data=data,headers=headers) 【3】POST请求特点 : Form表单提交数据
控制台抓包
-
打开方式及常用选项
【1】打开浏览器,F12打开控制台,找到Network选项卡 【2】控制台常用选项 2.1) Network: 抓取网络数据包 a> ALL: 抓取所有的网络数据包 b> XHR:抓取异步加载的网络数据包 c> JS : 抓取所有的JS文件 2.2) Sources: 格式化输出并打断点调试JavaScript代码,助于分析爬虫中一些参数 2.3) Console: 交互模式,可对JavaScript中的代码进行测试 【3】抓取具体网络数据包后 3.1) 单击左侧网络数据包地址,进入数据包详情,查看右侧 3.2) 右侧: a> Headers: 整个请求信息 General、Response Headers、Request Headers、Query String、Form Data b> Preview: 对响应内容进行预览 c> Response:响应内容
有道翻译破解案例(post)
-
目标
破解有道翻译接口,抓取翻译结果 # 结果展示 请输入要翻译的词语: elephant 翻译结果: 大象 ************************* 请输入要翻译的词语: 喵喵叫 翻译结果: mews
-
实现步骤
【1】浏览器F12开启网络抓包,Network-All,页面翻译单词后找Form表单数据 【2】在页面中多翻译几个单词,观察Form表单数据变化(有数据是加密字符串) 【3】刷新有道翻译页面,抓取并分析JS代码(本地JS加密) 【4】找到JS加密算法,用Python按同样方式加密生成加密数据 【5】将Form表单数据处理为字典,通过requests.post()的data参数发送
-
具体实现
1、开启F12抓包,找到Form表单数据如下:
i: 喵喵叫
from: AUTO
to: AUTO
smartresult: dict
client: fanyideskweb
salt: 15614112641250
sign: 94008208919faa19bd531acde36aac5d
ts: 1561411264125
bv: f4d62a2579ebb44874d7ef93ba47e822
doctype: json
version: 2.1
keyfrom: fanyi.web
action: FY_BY_REALTlME
2、在页面中多翻译几个单词,观察Form表单数据变化
salt: 15614112641250
sign: 94008208919faa19bd531acde36aac5d
ts: 1561411264125
bv: f4d62a2579ebb44874d7ef93ba47e822
# 但是bv的值不变
3、一般为本地js文件加密,刷新页面,找到js文件并分析JS代码
【方法1】 : Network - JS选项 - 搜索关键词salt
【方法2】 : 控制台右上角 - Search - 搜索salt - 查看文件 - 格式化输出
【结果】 : 最终找到相关JS文件 : fanyi.min.js
4、打开JS文件,分析加密算法,用Python实现
【ts】经过分析为13位的时间戳,字符串类型
js代码实现) "" + (new Date).getTime()
python实现) str(int(time.time()*1000))
【salt】
js代码实现) ts + parseInt(10 * Math.random(), 10);
python实现) ts + str(random.randint(0,9))
【sign】('设置断点调试,来查看 e 的值,发现 e 为要翻译的单词')
js代码实现) n.md5("fanyideskweb" + e + salt + "n%A-rKaT5fb[Gy?;N5@Tj")
python实现)
from hashlib import md5
s = md5()
s.update(xxx.encode())
sign = s.hexdigest()
4、pycharm中正则处理headers和formdata
【1】pycharm进入方法 :Ctrl + r ,选中 Regex
【2】处理headers和formdata
(.*): (.*)
"$1": "$2",
【3】点击 Replace All
5、代码实现
import requests
import time
import random
from hashlib import md5
class YdSpider(object):
def __init__(self):
# url一定为F12抓到的 headers -> General -> Request URL
self.url = 'http://fanyi.youdao.com/translate_o?smartresult=dict&smartresult=rule'
self.headers = {
# 检查频率最高 - 3个
"Cookie": "OUTFOX_SEARCH_USER_ID=970246104@10.169.0.83; OUTFOX_SEARCH_USER_ID_NCOO=570559528.1224236; _ntes_nnid=96bc13a2f5ce64962adfd6a278467214,1551873108952; JSESSIONID=aaae9i7plXPlKaJH_gkYw; td_cookie=18446744072941336803; SESSION_FROM_COOKIE=unknown; ___rl__test__cookies=1565689460872",
"Referer": "http://fanyi.youdao.com/",
"User-Agent": "Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/76.0.3809.100 Safari/537.36",
}
# 获取salt,sign,ts
def get_salt_sign_ts(self,word):
# ts
ts = str(int(time.time()*1000))
# salt
salt = ts + str(random.randint(0,9))
# sign
string = "fanyideskweb" + word + salt + "n%A-rKaT5fb[Gy?;N5@Tj"
s = md5()
s.update(string.encode())
sign = s.hexdigest()
return salt,sign,ts
# 主函数
def attack_yd(self,word):
# 1. 先拿到salt,sign,ts
salt,sign,ts = self.get_salt_sign_ts(word)
# 2. 定义form表单数据为字典: data={}
# 检查了salt sign
data = {
"i": word,
"from": "AUTO",
"to": "AUTO",
"smartresult": "dict",
"client": "fanyideskweb",
"salt": salt,
"sign": sign,
"ts": ts,
"bv": "7e3150ecbdf9de52dc355751b074cf60",
"doctype": "json",
"version": "2.1",
"keyfrom": "fanyi.web",
"action": "FY_BY_REALTlME",
}
# 3. 直接发请求:requests.post(url,data=data,headers=xxx)
html = requests.post(
url=self.url,
data=data,
headers=self.headers
).json()
# res.json() 将json格式的字符串转为python数据类型
result = html['translateResult'][0][0]['tgt']
print(result)
# 主函数
def run(self):
# 输入翻译单词
word = input('请输入要翻译的单词:')
self.attack_yd(word)
if __name__ == '__main__':
spider = YdSpider()
spider.run()
今日作业(五里面会有答案哦)
【1】实现有道翻译 : requests.post(url=url,headers=headers,data=data)
url: F12抓到的 Headers -> General - Request URL
【1】总结前几天内容,理顺知识点
【2】抓取西刺免费高匿代理并测试,建立自己的IP代理池(注意数据抓取的频率)
https://www.xicidaili.com/nn/{} # {}为: 1 2 3 4 5
【3】民政部网站数据抓取 - # 一切以响应内容为主(URL的JS的跳转)
3.1) URL: http://www.mca.gov.cn/ - 民政数据 - 行政区划代码
即: http://www.mca.gov.cn/article/sj/xzqh/2019/
3.2) 目标: 抓取最新中华人民共和国县以上行政区划代码
3.3) 要求一:增量,每次运行程序只抓取最新的,如未更新则提示未更新,不进行抓取
3.4) 要求二:所抓数据存入数据库,最好分表存储 - 省、市、县 3张表
省表: province 字段: pname pcode
市表: city 字段: cname ccode cfather_code
县表: county 字段: xname xcode xfather_code
【特殊情况】: 四个直辖市在省表和市表中都存一份