day02-爬虫入门

最新推荐文章于 2024-09-16 07:18:09 发布

weixin_30787531

最新推荐文章于 2024-09-16 07:18:09 发布

阅读量123

点赞数

文章标签：爬虫 php python

原文链接：http://www.cnblogs.com/xuedingwangluo/p/10069672.html

版权

一、请求百度翻译（post方式）
　　问题来源
　　　　百度翻译电脑网页版所带请求中包含js生成的sign，所以改用手机版网页访问，可以简单构造
　　构造请求
　　　　requests.post(post_url,post_data,headers=headers)
　　实现构造
　　　　headers={'User-Agent':'Mozilla/5.0 (Linux; Android 5.0; SM-G900P Build/LRX21T) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/70.0.3538.77 Mobile Safari/537.36'}
　　　　post_data={
　　　　　　'query':query_string,
　　　　　　'from':'zh',
　　　　　　'to':'en',
　　　　　　}
　　　　post_url = 'https://fanyi.baidu.com/basetrans'
　　　　ret = requests.post(post_url,data=post_data,headers=headers)

 1 import requests
 2 import json
 3 
 4 query_string = input('请输入中文：')
 5 
 6 # post请求
 7 headers={'User-Agent':'Mozilla/5.0 (Linux; Android 5.0; SM-G900P Build/LRX21T) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/70.0.3538.77 Mobile Safari/537.36'}
 8 post_data={
 9     'query':query_string,
10     'from':'zh',
11     'to':'en',
12 }
13 post_url = 'https://fanyi.baidu.com/basetrans'
14 
15 ret = requests.post(post_url,data=post_data,headers=headers)
16 print(ret.content.decode()) # 需要json处理
17 print(json.loads(ret.content.decode()))
18 print(json.loads(ret.content.decode())['trans'][0]['dst'])

View Code

二、使用代理

　　代理作用
　　　　让服务器以为不是同一个客户端在请求
　　　　防止我们的真实地址被泄露，防止被追究
　　没有代理
　　　　浏览器——————>服务器
　　反向代理
　　　　浏览器——————>nginx——————>服务器
　　正向代理
　　　　浏览器——————>代理——————>服务器
　　代理使用
　　　　用法
　　　　　　requests.get(url,proxies=proxies)
　　　　　　proxies的形式：字典
　　　　　　proxies={
　　　　　　　　‘http’:‘http://12.34.56.79:9527’
　　　　　　}
　　代理资源
　　　　https://proxy.mimvp.com/freesecret.php
　　　　https://proxy.coderbusy.com/

 1 import requests
 2 
 3 p = {
 4     'http':'http://113.73.65.121:7153'
 5 }
 6 headers = {
 7     'User-Agent': 'Mozilla/5.0 (Windows NT 6.1; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/70.0.3538.77 Safari/537.36'
 8 }
 9 
10 ret = requests.get('http://www.baidu.com',headers=headers,proxies=p)
11 print(ret.status_code)

View Code

　　使用注意

　　　　准备一堆的ip地址，组成ip池，随机选择一个ip来用
　　　　如何随机选择代理ip，让使用次数较少的ip地址有更大的可能性被用到
　　　　　　{'ip':ip,'times':0}
　　　　　　[{},{},{},{}],对以上ip放入列表，对列表进行排序，按照使用次数排序
　　　　　　选择使用次数较少的10个ip，从中随机选取一个
　　　　检查ip的可用性
　　　　　　可以使用requests添加超时参数，判断ip地址的质量
　　　　　　在线代理ip质量检测网站

三、cookie和session
　　区别
　　　　cookie数据存放在客户端的浏览器上，session数据放在服务器上
　　　　cookie不是很安全，别人可以分析存放在本地的cookie并进行cookie欺骗
　　　　session会在一定时间内保存在服务器上，当访问增多，会占用服务器的性能
　　　　单个cookie保存的数据不能超过4k，很多浏览器都限制一个站点最多保存20个cookie
　　爬虫
　　　　带上cookie、session的好处
　　　　　　能够请求到登录之后的页面
　　　　带上cookie、session的弊端
　　　　　　一套cookie和session往往和一个用户对应
　　　　请求太快，请求次数太多，容易被服务器识别为爬虫
　　　　注意
　　　　　　不需要cookie的时候尽量不去使用cookie
　　　　　　但是为了获取登录之后的页面，我们必须发送带有cookie的请求
　　　　使用
　　　　　　携带一堆cookie进行请求，把cookie组成cookie池
　　　　requests提供的session
　　　　　　requests提供了一个叫session类，来实现客户端和服务端的会话保持
　　　　　　使用方法：
　　　　　　　　1.实例化一个session对象
　　　　　　　　2.让session发送get或者post请求
　　　　　　　　　　session=requests.session
　　　　　　　　　　response=session.get(url,headers)
　　请求登录之后的网站的思路（使用requests）
　　　　实例化session
　　　　先使用session发送请求，登录网站把cookie保存在session
　　　　再使用session请求对应的网站，session能够自动的携带登录成功时保存在其中的cookie进行请求
　　不发送post请求，使用cookie获取登陆后的页面
　　　　cookie过去时间很长的网站
　　　　在cookie过期之前能够拿到所有的数据，比较麻烦
　　　　配合其他程序一起使用，其他程序专门获取cookie，当前程序专门请求页面
　　三种登录方式
　　　　实例化session，使用session发送post请求，再使用它获取登录后的页面
　　　　headers中添加cookie键，值为cookie字符串
　　　　在请求方法中添加cookies参数，接收字典形式的cookie。字典形式的cookie中的键是cookie的name，值是cookie的value

 1 import requests
 2 
 3 
 4 ######### 实例化session #########
 5 
 6 session = requests.session()
 7 post_url = 'http://www.renren.com/PLogin.do'
 8 # 注意这里登录所找的地址，是在form表单中找到的
 9 post_data = {
10     'email':'13061455882',
11     'password':'714466'
12 }
13 
14 headers = {
15     'User-Agent': 'Mozilla/5.0 (Windows NT 6.1; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/70.0.3538.77 Safari/537.36'
16 }
17 # 使用session发送post请求，cookie保存在其中
18 session.post(post_url,headers=headers,data=post_data)
19 # 再使用session进行请求登录之后才能访问的地址
20 ret = session.get('http://www.renren.com/969010233/profile',headers=headers)
21 # 保存页面
22 with open('renren1.html','w',encoding='utf-8') as f:
23     f.write(ret.content.decode())
24 
25 
26 
27 '''
28 ######### 直接找到cookie #########
29 headers ={
30     'User-Agent': 'Mozilla/5.0 (Windows NT 6.1; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/70.0.3538.77 Safari/537.36',
31     'Cookie':'p005baksess=18e345f691fb6a301bb064fd093c9d80d48e7545'
32 }
33 
34 ret = requests.get('https://p013.zhenlutech.com/index.php/admin',headers=headers)
35 with open('admin.html','w',encoding='utf-8') as f:
36     f.write(ret.content.decode())
37 '''
38 
39 
40 '''
41 ######### 传入cookie #########
42 
43 
44 headers = {
45     'User-Agent': 'Mozilla/5.0 (Windows NT 6.1; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/70.0.3538.77 Safari/537.36'
46 }
47 
48 cookies = 'anonymid=jp9m917q-35ny33; depovince=SD; _r01_=1; JSESSIONID=abcZF4nEVWnOPeRBv04Dw; ick_login=de6c9926-372d-4a35-aacd-0dcb7d1253fb; jebecookies=16ef79e7-76b7-4aa8-8014-34a30ea13eb2|||||; _de=FCDB90B914A526660E0B69E00FD48194; p=6bed82a76eef3b37a31d84c21b1ee0ec3; first_login_flag=1; ln_uact=13061455882; ln_hurl=http://head.xiaonei.com/photos/0/0/men_main.gif; t=f03bbd03c6c2cf9d0700aedcff9944d03; societyguester=f03bbd03c6c2cf9d0700aedcff9944d03; id=969010233; xnsid=86d166c9; loginfrom=syshome; ch_id=10016; jebe_key=95c30273-9252-4373-adab-c3adda9c5db1%7C21a3b51c0c3373888942d7937b020f92%7C1543926359197%7C1%7C1543926520005; wp_fold=0'
49 cookies = {i.split('=')[0]:i.split('=')[1] for i in cookies.split('; ')}
50 # 注意split知识点，将字符串切割为字典
51 print(cookies)
52 ret = requests.get('http://www.renren.com/969010233/profile',headers=headers,cookies=cookies)
53 with open('renren.html','w',encoding='utf-8') as f:
54     f.write(ret.content.decode())
55 '''

View Code

　　寻找登录的post地址

　　　　在form表单中寻找action对应的url地址
　　　　　　post的数据是input标签中name的值作为键，真正的用户名密码作为值的字典，post的url地址就是action对应的url地址
　　　　抓包
　　　　　　寻找登录的url地址
　　　　　　勾选preserve log按钮，防止页面跳转找不到url
　　　　　　寻找post地址，确定参数
　　　　　　　　参数不会变，直接用，比如密码不是动态加密的
　　　　　　　　参数会变
　　　　　　　　　　参数在当前的响应中
　　　　　　　　　　通过js生成
　　　　定位到想要的js
　　　　　　选择会出发js时间的按钮，点击event listener，找到js的位置
　　　　　　通过chrome中的search all file来搜索url中关键字
　　　　　　添加断点的方式来查看js操作，通过python来进行同样的操作

四、requests模块
　　入门
　　　　requests的底层实现就是urllib
　　　　requests在python2和python3中通用，方法完全一样
　　　　requests简单易用
　　　　requests能够自动帮助我们解压（gzip压缩的等）网页内容
　　　　文档学习地址：http://docs.python-requests.org/zh_CN/latest/
　　编解码
　　　　response.content.decode()
　　　　response.content.decode('utf-8')
　　　　response.text
　　response.text和response.content的区别
　　　　response.text
　　　　　　类型：str
　　　　　　解码类型：根据HTTP头部对响应的编码作出有根据的推测，推测的文本编码
　　　　　　如何修改编码方式：response.encoding=‘gbk’
　　　　response.content
　　　　　　类型：bytes
　　　　　　解码类型：没有指定
　　　　　　如何修改编码方式：response.content.decode('utf-8')
　　　　推荐使用response.content.decode()的方式获取响应的html页面
　　　　练习保存图片

1 import requests
2 
3 resposne = requests.get('http://docs.python-requests.org/zh_CN/latest/_static/requests-sidebar.png')
4 
5 with open('a.png','wb') as f:
6     f.write(resposne.content)

View Code

　　requests小技巧
　　　　requests.util.dict_from_cookiejar() 把cookie对象转化为字典
　　　　请求SSL证书验证
　　　　　　response=request.get('https://www.12306.cn/mornhweb/'，verify=False)
　　　　设置超时
　　　　　　response=requests.get(url,timeout=10)
　　　　配合状态码判断是否请求成功
　　　　　　assert response.status_code==200
　　　　示例：

 1 import requests
 2 
 3 '''
 4 response = requests.get('http://www.baidu.com')
 5 print(response.cookies) # <RequestsCookieJar[<Cookie BDORZ=27315 for .baidu.com/>]>
 6 print(requests.utils.dict_from_cookiejar(response.cookies)) # {'BDORZ': '27315'}
 7 
 8 print(requests.utils.cookiejar_from_dict({'BDORZ': '27315'}))
 9 
10 print(requests.utils.unquote('https://tieba.baidu.com/f?ie=utf-8&kw=%E6%9D%8E%E6%AF%85'))
11 print(requests.utils.quote('https://tieba.baidu.com/f?ie=utf-8&kw=李毅'))
12 '''
13 
14 '''
15 # 异常处理
16 headers ={'User-Agent':'Mozilla/5.0 (Linux; Android 5.0; SM-G900P Build/LRX21T) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/70.0.3538.77 Mobile Safari/537.36'}
17 
18 def _parse_url(url):
19     response = requests.get(url,headers=headers,timeout=3)
20     assert response.status_code == 200 # 上下两个都可能报错，所以捕获异常
21     return response.content.decode()
22 
23 def parse_url(url):
24     try:
25         html_str = _parse_url(url)
26     except:
27         html_str = None
28     return html_str
29 
30 if __name__ == '__main__':
31     post_url = ('https://www.baidu.com/')
32     print(parse_url(post_url))
33 '''
34 
35 
36 # 因为请求的url可能多，比如请求1000个url，难免某个url会出现问题，那么引入retry模块，让请求多次执行
37 from retrying import retry
38 
39 headers ={'User-Agent':'Mozilla/5.0 (Linux; Android 5.0; SM-G900P Build/LRX21T) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/70.0.3538.77 Mobile Safari/537.36'}
40 
41 @retry(stop_max_attempt_number=3)
42 # 在源码中找到参数，表示重复请求进行三次
43 def _parse_url(url):
44     print('*'*20) # 判断一下是否重复了三次
45     response = requests.get(url,headers=headers,timeout=3)
46     assert response.status_code == 200
47     return response.content.decode()
48 
49 def parse_url(url):
50     try:
51         html_str = _parse_url(url)
52     except:
53         html_str = None
54     return html_str
55 
56 if __name__ == '__main__':
57     post_url = ('www.baidu.com/')
58     print(parse_url(post_url))