建议再看我的之前 一点要先去看一看 这一篇 会更好理解 一些
因为 我也是在 url解码 这里卡起了 每次取出来都不是 正确的 url 而且 刚开始每次取出url还会变
本文链接:https://blog.csdn.net/qq_42636010/article/details/94321049
1.首先我先封装了一个ip 和 ua 代理池 因为同一个很有可能被封 ,但是我爬取的时候嫌麻烦就用一个 好像也没问题 不过安全一点 还是 多弄几个 如果不知道 从哪里拿到 免费代理ip 可以在这个网站 看一看 https://ip.jiangxianli.com/ 我自己用起来 感觉还行
#构建一个 ua_ip 函数
def ua_ip(myurl):
from urllib import request
import random
try:
# 1.建立用户代理池
# 1.1建立一个 用户池
agents = [
"Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/45.0.2454.101 Safari/537.36",
"Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/45.0.2454.101 Safari/537.36",
"Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/47.0.2526.106 BIDUBrowser/8.3 Safari/537.36",
"Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/47.0.2526.80 Safari/537.36 Core/1.47.277.400 QQBrowser/9.4.7658.400",
"Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/38.0.2125.122 Safari/537.36 SE 2.X MetaSr 1.0"
]
# 1.2 封装一个函数 来保存 头部信息
def ua():
a = random.choice(agents)
headers = {"User-Agent": a}
print("当前use_agent:",headers)
return headers
# 2.建立ip代理池
# 2.1 建立一个ip池
ips = [
"34.203.248.159:80",
]
#使用时要自己填重新多找几个ip
# 2.2 封装函数 换ip
def ippools():
b = random.choice(ips)
print('当前ip:',b)
proxy = request.ProxyHandler({"http": b})
opener = request.build_opener(proxy, request.HTTPHandler)
request.install_opener(opener) #安装为全局变量
ippools()
thisheaders = ua()
rep = request.Request(myurl, headers=thisheaders)
resp = request.urlopen(rep) # 得到的是网页源代码的内容
text = resp.read().decode('utf-8', 'ignore')
#print(len(text)) # 这步可以在经行检验是爬取成功
return text #这步检验后 返回数据
except Exception as err:
print(err)
2.爬取
from uaip import *
from urllib import request
import re
import random
import time
try:
def url_decode(r):
url = 'https://weixin.sogou.com' + r
b = random.randint(1, 101)
a = url.index('url=')
a = url[a + 25 + b:a + 26 + b:]
url += '&k=' + str(b) + '&h=' + a
return url
#这个 是 把假的 herf 变为 真的 herf
key='python'
key1=request.quote(key)
for i in range(1,2):
url='https://weixin.sogou.com/weixin?query='+key1+'&type=2&page='+str(i)+'&ie=utf8'
thispagedata=ua_ip(url)
#pat='<div class="txt-box">.?<h3>.?<a target="_blank" href="(.*?)"'
pat='<div class="txt-box">.*?href="(.*?)"'
txt=re.compile(pat,re.S).findall(thispagedata)
#拿到 所有目标 的 herf (但目前不是真的)
for j in range(0, len(txt)):
r = txt[j]
url = url_decode(r)
print(url)
text=ua_ip(url)
fh = open("F:\\一个项目\\一个项目\\搜狗微信爬取\\wenzhang"+'第'+str(i)+'页'+'第'+str(j)+'篇'+".html", "w")
fh.write(text)
fh.close()
time.sleep(5)
except Exception as err:
print(err)
3.补充 对于 这一步 当初我也是很难啊 我自己查了慢慢翻译 还是有两处不懂 如果有懂的大佬,可不可以提携一哈小弟,留个言
def url_decode(r):
url = 'https://weixin.sogou.com' + r
b = random.randint(1, 101)
a = url.index('url=')
a = url[a + 25 + b:a + 26 + b:]
url += '&k=' + str(b) + '&h=' + a
return url
这是我自己的翻译
#jsonscript 语言
''''(function(){$("a").on("mousedown click contextmenu", function()
{var b = Math.floor(100 * Math.random()) + 1, #floor() 方法返回小于等于x的最大整数。
a = this.href.indexOf("url="),
c = this.href.indexOf("&k=");
-1 != = a & & -1 == = c & & (a=this.href.substr(a+4+parseInt("21") + b, 1), this.href += "&k=" + b + "&h=" + a)})})();'''
这个是可以在这里看到
![在这里插入图片描述](https://img-blog.csdnimg.cn/20201230230820282.jpg?x-oss-process=image/watermark,type_ZmFuZ3poZW5naGVpdGk,shadow_10,text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzUwOTU4NzA5,size_16,color_FFFFFF,t_70#pic_center)
#1.对b Math 为jsonscript 的一个函数吧 类似python中的库吧
#b = Math.floor(100 * Math.random()) + 1,
# floor() 方法返回小于等于x的最大整数
#random() 方法可返回介于 0(包含) ~ 1(不包含) 之间的一个随机数。 100*Math.random() 即在 0-100 然后+1 即为 取 [1,100]
#2.对a,c
#indexOf() 方法可返回数组中某个指定的元素位置。 对应 python中 index函数
#对最后一个
# === 值及类型均相等(恒等于) 比如 x=5 x==='5' 就是错的 因为 这里的 ’5‘ 为 str x===5 就对了
# !== 值与类型均不等(不恒等于) 反上
# parseInt() 函数可解析一个字符串,并返回一个整数。
# 这里 parseInt("21") 即 把 str 的 21 变为 int 21
# substr(start,length) 的参数指定的是子串的开始位置和长度 相当于python 中切片操作 [a:b:c] a代表开始位置 b 代表结束位置 c 代表间距
#这里 substr(a+4+parseInt("21") + b, 1) 代表a+4+21+b 字符串开始的位置 1,代表 每次取一个
#下面是 自己去一个 实验的过程
import random
r='/link?url=dn9a_-gY295K0Rci_xozVXfdMkSQTLW6cwJThYulHEtVjXrGTiVgS45UuJmNGnllBNahuYa5lW1Mx8SCKgzSSlqXa8Fplpd9p9x6QBEwguXvMkivWz8CXgyqv0qcCbCRxZ5xQYH30-PPFPGYCeYnIfreZgCLl8kMn0JiI_vWwZnWbIXvtGLPgFEuklVA4DTOS-35-3IR6iNlhNnD5nToLsgqyraiTryMiXbVNPDKKmS70ihszpB8M2ZSkWHJUsXI5pn6TmgLco7vzHZXxeLdyg..&type=2&query=python&token=F672C999E20BEEBF0802BFA6BADB7FB108443BC95FEC84D4'
url = 'https://weixin.sogou.com' + r
b=random.randint(1,101)
a=url.index("url")
a=url[a+25+b:a+26+b:]
url=url+'&k=' + str(b) + '&h=' + a
print(url)
对于我不懂得地方 就是这两处 有什么作用 ?为什么改写为python不写上去?
诚挚的感谢,知道的大佬留言
c = this.href.indexOf("&k=")
-1 != = a & & -1 == = c