爬虫学习(零散记录)

HTTP基本原理

URL是URI的子集，但是因为URN现在不怎么用了，可以认为URI和URL是一样的了

URL组成

schema同protocol，都是协议的意思
username和password可以尝试一下https://ssr3.scrape.center和https://admin:admin@ssr3.scrape.center
port除了80(http)和443(https)两个默认端口会忽视外，其他的都要加，其实http://www.baidu.com就是http://www.baidu.com:80

浏览器中分析网络请求

HTTP2.0相比于HTTP1.1的优化

• 二进制分帧层 反正里面涉及到把一些文本数据改成二进制了
• 多路复用
• 流控制
• 服务端推送

requests库只支持HTTP1.1

无状态HTTP

Session维持

Cookie属性

代理

网络爬虫是IO密集型场景

Python中的多进程和多线程

urllib

demo链接

—高级用法—
即自定义handler，他们分别用来处理cookie、设置代理、设置登录密码、认证之类的东西，下面这个是设置代理的，其他的自己去查

—处理异常—
有个URLError类和HTTPError类
—解析链接—
由API如urlparse解析url的各个部分，urlunparse拼成url，urlsplit、urljoin、urlencode、parse_qs、url_qsl、quote等等
—robots协议—
主要就是三种key：User-Agent、Disallow、Allow，就是禁止或允许这个UserAgent(其实就是爬虫名)的访问

然后有RobotFileParser可以解析robot.txt文件

requests学习

demo链接
requests.get()的返回值可以用.json、.text、.content等获得json、文本、二进制数据
requests有个 headers、data、files、timeout
request.codes.not_found是404，除此之外还有其他的可以使用
—获取cookie—

–设置cookie—

—session维持—
因为两次使用requests…相当于开了两个浏览器，Session就不同了，如果要携带相同Cookie会很繁琐，可以维护一个Session对象。这个用在模拟登录成功后进行

—解决SSL证书错误—

—通过网站开启的身份认证—


—代理设置—

正则表达式

demo地址

—语法—
—match—
—匹配目标—
—通用匹配—
—贪婪与非贪婪—
—修饰符—

—转义匹配—
—search—
match是从头开始匹配，search可以从中间开始匹配
好像是有推荐使用search而不是match
search只获得一个，findall就是获得全部的
—sub去除字符串，compile把正则字符串转化为可复用的对象—

httpx的使用

httpx的demo
httpx支持HTTP2.0，前面两个都不支持
同时httpx几乎支持所有requests能做到的事
下面这个就是支持了http2.0的

对于使用了HTTP2.0的就不能使用requests了
安装
pip3 install httpx[http2]

—手动声明支持—



—支持异步请求—

多进程加速案例

XPath

XPath的demo链接

匹配规则

读取html

使用html.xpath(‘’)获取对应结点

靓汤

这个用的多，就懒得写了

PyQuery

可以进行remove操作

数据的存取

text、json、csv、mysql、mongodb、redis、es、rabbitmq

AJAX请求

在开发者工具内的网络内的Type为xhr的就是Ajax请求
请求头中X-Rquested-With:XMLHttpRequest的就是Ajax请求
以下demo仅用于记录占位符的用法的

import httpx

baseUrl="https://spa1.scrape.center/api/movie/?limit={limit}&offset={offset}"

def scrape_index(page):
    url = baseUrl.format(limit=10,offset=10*(page-1))
    return httpx.get(url).json()

if __name__ == '__main__':
    print(scrape_index(1))

协程

协程demo

import asyncio

async def execute(x):
    print('Number:', x)

if __name__ == '__main__':
    # 不马上执行，而是返回一个协程对象
    coroutine = execute(1)
    print('Coroutine:', coroutine)
    print('After calling execute')
    # 创建loop
    loop = asyncio.get_event_loop()
    # 效果同，其实传入协程后还是会包装成task
    #task = loop.create_task(coroutine)
    #loop.run_until_complete(task)
    # 绑定协程
    loop.run_until_complete(coroutine)
    print('After calling loop')

也可以不使用loop来获得task

task = asyncio.ensure_future(coroutine)

绑定回调函数demo

import asyncio
import httpx

async def request():
    url = 'https://www.baidu.com'
    status = httpx.get(url)
    return status

def callback(task):
    print('Status:', task.result())

if __name__ == '__main__':
    coroutine = request()
    task = asyncio.ensure_future(coroutine)
    # 注册回调事件
    task.add_done_callback(callback)
    print('Task:', task)
    loop = asyncio.get_event_loop()
    loop.run_until_complete(task)
    print('Task:', task)

task运行完毕之后也可以用task.result获取结果

多任务协程

注意面对爬虫这种IO密集型时，用协程时要有挂起操作，不然和串行无异。await就是挂起耗时等待的操作，让出控制权给其他协程。同时请求方式也要使用异步请求，所以要用到aiohttp
demo如下

import asyncio
import aiohttp
import time

start = time.time()

async def get(url):
    session = aiohttp.ClientSession()
    response = await session.get(url)
    await response.text()
    await session.close()
    return response

async def request():
    url = 'https://www.httpbin.org/delay/5'
    print('Waiting for', url)
    response = await get(url)
    print('Get response from', url, 'response',response)

if __name__ == '__main__':
    tasks = [asyncio.ensure_future(request()) for _ in range(100)]
    loop = asyncio.get_event_loop()
    loop.run_until_complete(asyncio.wait(tasks))

    end = time.time()
    print('Cost time:', end - start)

aiohttp

demo

import asyncio
import aiohttp


async def fetch(session,url):
    async with session.get(url) as resp:
        return await resp.text(),resp.status

async def func():
    async with aiohttp.ClientSession() as session:
        html,status = await fetch(session=session,url="https://cuiqingcai.com")
        print(f'html:{html[:100]}...')
        print(f'status:{status}')

if __name__ == '__main__':
    loop = asyncio.get_event_loop()
    loop.run_until_complete(func())
    # python>=3.7后可以用如下语法
    # asyncio.run(func())

—传参—

async with session.get(url=url,params=params) as resp:

async with session.post(url=url,data=params) as resp:

async with session.post(url=url,json=params) as resp:

如果返回的是协程，则字段前要加await，否则不需要

—超时设置—

timeout = aiohttp.ClientTimeout(total=1)
    async with aiohttp.ClientSession(timeout=timeout) as session:

—并发限制—

Selenium

用find_element实现查找
用send_keys输入文字，用clear清空文字，用click点击按钮
动作链

excute_script('alert('qwer')')运行js
.attribute(src')获得src属性
隐式等待：设置implicitly_wait 但是时间是固定的，不太好
显式等待：

wait = WebDriverWait(browser, 10)
input = wait.until(EC.presence_of_element_located((By.ID, 'q')))
button = wait.until(EC.element_to_be_clickable((By.CSS_SELECTOR, '.btn-search')))

前进和后退：调用forward()和back()
操作cookie:get_cookie()、add_cookie()等
选项卡切换:

import time
from selenium import webdriver

browser = webdriver.Chrome()
browser.get('https://www.baidu.com')
browser.execute_script('window.open()')
print(browser.window_handles)
browser.switch_to.window(browser.window_handles[1])
browser.get('https://www.taobao.com')
time.sleep(1)
browser.switch_to.window(browser.window_handles[0])
browser.get('https://python.org')

反屏蔽
因为有些网站会检测浏览器当前窗口下的window.navigator对象中是否包含webdriver属性，因为没用爬虫时那里会是undefined。但是selenium调用脚本删除该属性会是在渲染完毕后才进行，太晚了，所以我们要用一个CDP解决该问题，让页面刚加载时就执行js语句

from selenium import webdriver
from selenium.webdriver import ChromeOptions

option = ChromeOptions()
option.add_experimental_option('excludeSwitches', ['enable-automation'])
option.add_experimental_option('useAutomationExtension', False)
browser = webdriver.Chrome(options=option)
# 让页面刚加载时就执行js语句
browser.execute_cdp_cmd('Page.addScriptToEvaluateOnNewDocument', {
    'source': 'Object.defineProperty(navigator, "webdriver", {get: () => undefined})'
})
browser.get('https://antispider1.scrape.cuiqingcai.com/')

无头模式：不弹出窗口。须在配置对象中设置

Splash

一个js渲染服务，一个有httpapi的轻量浏览器

Pyppeteer

似乎是比selenium好用

demo

import asyncio
from pyppeteer import launch
from pyquery import PyQuery as pq

async def main():
    # 启动浏览器
    browser = await launch(headless=False,userDataDir='./userdatda')
    # 新建一个网页选项卡对象
    page = await browser.newPage()
    # 访问网站
    await page.goto('https://spa2.scrape.center/')
    # 一直等到页面上该属性对应的标签加载出来
    await page.waitForSelector('.item .name')
    doc = pq(await page.content())
    names = [item.text() for item in doc('.item .name').items()]
    print('Names:', names)
    await browser.close()

if __name__ == '__main__':
    asyncio.get_event_loop().run_until_complete(main())

参数设置：有无头、浏览器窗口大小、用户目录(存储cookie等信息)
还有一些选项卡操作、点击、输入、执行JS等都有API，自己去查

playwright

支持多种浏览器、同步异步、可视化生成代码、截获Ajax、劫持request、response
点击输入获取结点啥的就不用说了

Tesserocr 识别图形验证码

OpenCV识别滑动验证码缺口

深度学习识别图形验证码和滑动验证码

各包的使用代理

代理池

demo

模拟登录

基于session和cookie

1. 可以登录自己的账号，直接在浏览器里把Cookie复制下来
2. 也可以用POST请求直接登录，但是因为有些网站可能还会附带一些校验参数，而且还要分析怎么设置cookie，有些麻烦
3. 用selenium等驱动浏览器模拟登录操作
   反正核心就是维护好客户端的cookie，在每次请求时都携带Cookie

基于JWT模拟登录

维护token，如果过期了要重新获取

用账号池实现多账号随机爬取

维护一个账号池，每次随机使用一个来访问。避免了单账号并发量过大导致封号

JS逆向爬虫

对于接口中添加了加密参数的，我们不仅可以用selenium等模拟浏览器操作，还可以使用逆向技术分析JS代码，找到加密逻辑，从而破解该接口。这样就不需要渲染整个前端界面，爬取效率会大大提高

JS加密措施

1. URL/API参数加密
2. JS压缩、混淆加密
   
   

AJAX端断点调试

AST 技术解决代码可读性问题

Scapy!!!

初次使用的demo链接

可以在Spider中重写start_requests方法，自定义请求和回调方法。自定义请求可以设置请求头、cookie之类的东西

post请求设置表单提交和json

关于Request类和Response类可以再去查一下

Downloader Middleware

然后下面这个中间件也是自己去查，而且这个很重要

Spider Middleware

Extension

对接selenium或splash或Pyppeteer

规则化爬虫

如果要爬新闻，但是要爬多个网站，那么item是一样的，但是Spider不一样
所以可以把爬取逻辑作为配置文件内容，单独管理和维护这些规则

分布式爬虫

雏形：多个调度器Scheduler共享一个爬取队列
维护队列：选用redis的多种数据结构可以构建不同特性的队列
去重：Scrapy内置哈希值去重，但是分布式时这个去重的方式应该放到共享队列里而不是各个结点，所以用redis的set
断点重连：在中断后把队列的数据持久化，下次爬取就直接读取这个队列数据，Scrapy可以指定存储路径

基于redis

Scrapy-Redis已经有人实现了

基于RabbitMQ

爬虫的管理和部署

基于Scrapyd(d是deploy)

基于Gerapy

基于K8s

把Scrapy打包成Docker容器，并迁移到K8S进行管理和维护

基于Prometheus和Grafana进行监控