网页的下载
本文章属于爬虫入门到精通系统教程第四讲
在爬虫入门到精通第二讲中,我们了解了HTTP协议,那么我们现在使用这些协议来快速爬虫吧
本文的目标
当你看完本文后,你应该能爬取(几乎)任何的网页
使用chrome抓包
抓包(packet capture)就是将网络传输发送与接收的数据包进行截获、重发、编辑、转存等操作,也用来检查网络安全。抓包也经常被用来进行数据截取等。
第一个案列:抓取轮子哥的动态
打开轮子哥动态这个网页
-
打开抓包工具
点击F12打开开发者工具
点击Network(或者网络)
按F5刷新下页面(主要是让请求重发一次,这样就能抓到包了)
应该会看到如下界面
-
找到我们需要的请求
可以看到如下截图,里面有这么多的请求,那么到底哪一个才是我们需要的呢 ?
-
这边提供一个小技巧
当你要抓的包是需要按F5刷新才出来的,一般我们需要的请求都在DOC里面(整个页面有刷新)
当你要抓的包是点击按钮"加载更多"(或者拖到页面最下面会自动加载的,整个页面并没有刷新)一般我们需要的请求都在XHR里面
简单来讲就是如果整个页面没有刷新的话,那就是在XHR里面,否则在DOC里面
因为本次抓包整个页面有刷新,所以,我们需要找的请求在DOC下面,可以看到只有一个请求
-
验证请求是对的
-
有以下两种方法(基本上用1,因为比较快)
-
在我们要抓包的页面随便copy出几个字,在Respoinse中使用ctrl+f 查找,如果有找到,说明我们找到的是对的 (我查找的是"和微软粉丝谈")
把response中所有的内容复制到一个txt中,并改名为"#.html"(这里的#可以随便取)然后打开这个html,看看是否和我们要抓的一样
-
如果发现要找的不对,那你可以打开下一个请求检查下
-
-
模拟发送
点击Headers
可以看到请求的url是: https://www.zhihu.com/people/...
方法是: GET
requests headers 是(下图中框出来的地方)
所以我们的代码应该是:
import requests
# 这里的headers就是我们上图框中的headers
request_headers = { 'Accept':'text/html,application/xhtml+xml,application/xml;q=0.9,image/webp,*/*;q=0.8',
'Accept-Encoding':'gzip, deflate, sdch, br',
'Accept-Language':'zh-CN,zh;q=0.8',
'Cache-Control':'max-age=0',
'Connection':'keep-alive',
'Cookie':'',
'Host':'www.zhihu.com',
'Referer':'https://www.zhihu.com/',
'Upgrade-Insecure-Requests':'1',
'User-Agent':'Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/55.0.2883.87 Safari/537.36'
}
#上图中的url
url = "https://www.zhihu.com/people/excited-vczh/activities"
# 上图中的请求方法(get)
z = requests.get(url,headers=request_headers)
print z.content
这段代码简单来说就是把 我们抓包看到的用程序来实现
一个小总结
我们爬取一个网页的步骤可以分为如下:
打开要爬取的网页
打开开发者工具,并让请求重发一次(简单讲就是抓包)
找到正确的请求
用程序模拟发送
第二个案列:点赞
1.打开要爬取的网页
我们打开 "知乎 - 与世界分享你的知识、经验和见解"
我们要点赞的回答是这个
2.打开开发者工具,并让请求重发一次
打开后"点击赞一下",可以看到有好多请求
3.找到正确的请求
我们一个一个的点开请求看,发现就一个有返回值,而且这个返回值没有意义,那么怎么确定这个就是我们要找的呢?
我们可以点击Headers,看一下发送的参数
vote_up 很明显,就是点赞的意思。所以这个应该就是我们要找的。
这边说一下,右边"Headers,Preview,Response,Cookies,Timing"是什么意思
我们经常要看的有,headers 和 preview
headers 里面我们都有介绍过(请求头,返回头)
preview和response里面的内容是相同的(preview里面的内容格式化了,输出的好看一些),里面的内容是html返回值
cookies 里面是cookie的值,只不过分成了key value的形式
Timing基本用不上,所以也不介绍了(想了解的话可以自己百度...)
4.用程序模拟发送
我们把headers全部copy,
url也和上面一样
参数也是对的
请求方法是post
但是发现最终返回http code 400,这是为什么呢?
让我们留到后面讲解~
最后再次总结一下
看完本篇文章后,你应该要
能学会抓包
最后大家可以抓一下知乎登录的包哦~
小提示:当你要抓的网页是会自动跳转的话,那么你需要选中“proserve log”
意思是不要在页面重新加载后清除log(抓知乎登录的包会用到)
最后的最后,收藏的大哥们,能帮忙点个赞么~