章节十六：复习与反爬虫

章节十六：复习与反爬虫

1. 爬虫总复习

我还记得事情是从这张图开始的，它被用来描述浏览器的工作原理：

请求和响应。这两件事几乎构成了我们后面的所有学习内容。

在第0关，我们说爬虫，就是利用程序在网上拿到对我们有用的数据。程序所做的，最关键步骤正是“请求”和“响应”。

据此，我们定义了“爬虫四步”：获取数据(包含请求和响应两个动作)、解析数据、提取数据、存储数据。

同时，我们还学了最简单的请求方式：requests.get()

import requests

url = ''
response = requests.get(url)

1.1 工具

工欲善其事必先利其器，我们需要一个工具，在它的帮助下，我们能看到所有的请求，这样我们才能完成爬虫四步。这个工具，叫做Network。

Network能够记录浏览器的所有请求。我们最常用的是：ALL(查看全部)/XHR(仅查看XHR)/Doc(Document，第0个请求一般在这里)，有时候也会看看：Img(仅查看图片)/Media(仅查看媒体文件)/Other(其他)。最后，JS和CSS，则是前端代码，负责发起请求和页面实现；Font是文字的字体；而理解WS和Manifest，需要网络编程的知识，倘若不是专门这个，你不需要了解。

它们组成Elements中的所有内容，也就是你平时所见的网页万紫千红。

在爬虫里，我们最常用的是XHR和Doc。我们能在Doc里找到一个网页的源代码，而在网页源代码里找不到的信息，通常你都能在XHR里找到。有它的存在，人们不必刷新/跳转网页，即可加载新的内容。在今天，已经学过“同步/异步”概念的你，也可以说XHR帮我们实现了异步请求。

而数据究竟是藏身何处，在第6关，我们提供了一个方案：

花开两朵，各表一枝。

1.2 解析与提取(一)

当数据藏匿于网页源代码，我们自有一条完整的“爬虫四步”链，在这里，最重要的库叫BeautifulSoup，它能提供一套完整的数据解析、数据提取解决方案。用法如下：

我们能写出类似这样的代码：

import requests
# 引用requests库
from bs4 import BeautifulSoup
# 引用BeautifulSoup库

res_foods = requests.get('http://www.xiachufang.com/explore/')
# 获取数据
bs_foods = BeautifulSoup(res_foods.text,'html.parser')
# 解析数据

tag_name = bs_foods.find_all('p',class_='name')
# 查找包含菜名和URL的<p>标签
tag_ingredients = bs_foods.find_all('p',class_='ing ellipsis')
# 查找包含食材的<p>标签
list_all = []
# 创建一个空列表，用于存储信息
for x in range(len(tag_name)):
# 启动一个循环，次数等于菜名的数量
    list_food = [tag_name[x].text[18:-15],tag_name[x].find('a')['href'],tag_ingredients[x].text[1:-1]]
    # 提取信息，封装为列表 
    list_all.append(list_food)
    # 将信息添加进list_all
print(list_all)
# 打印

# 以下是另外一种解法

list_foods = bs_foods.find_all('div',class_='info pure-u')
# 查找最小父级标签

list_all = []
# 创建一个空列表，用于存储信息

for food in list_foods:

    tag_a = food.find('a')
    # 提取第0个父级标签中的<a>标签
    name = tag_a.text[18:-15]
    # 菜名，使用[18:-15]切掉了多余的信息
    URL = 'http://www.xiachufang.com'+tag_a['href']
    # 获取URL
    tag_p = food.find('p',class_='ing ellipsis')
    # 提取第0个父级标签中的<p>标签
    ingredients = tag_p.text[1:-1]
    # 食材，使用[1:-1]切掉了多余的信息
    list_all.append([name,URL,ingredients])
    # 将菜名、URL、食材，封装为列表，添加进list_all

print(list_all)
# 打印

在此，我想额外强调的是编码问题，即便是许多爬虫老手也常常会在编码上重重地栽跟头，所以你不要也犯错。当response.text自动解码出问题，不要犹豫，自己动手使用response.encoding=''来对编码进行修改。

1.3 解析与提取(二)

我们来看事情的另一端——当数据在XHR中现身。

XHR所传输的数据，最重要的一种是用json格式写成的，和html一样，这种数据能够有组织地存储大量内容。json的数据类型是“文本”，在Python语言当中，我们把它称为字符串。我们能够非常轻易地将json格式的数据转化为列表/字典，也能将字典/列表转为json格式的数据。

如何解析json数据？答案如下：

提取自然是不难的，毕竟都已经变成列表/字典。你对列表/字典，驾轻就熟。最后，你的脑海中多了这样一张图：

1.4 更厉害的请求

有趣的是请求本身。在过往的学习里，你的requests.get()里面其实只有一个参数，即url。

但其实，这个请求可以有多个参数。

params，可以让我们带着参数来请求数据：我想要第几页？我想要搜索的关键词？我想要多少个数据？

headers，请求头。它告诉服务器，我的设备/浏览器是什么？我从哪个页面而来？

再往后，你发现除了get请求之外，还存在着另一种请求方式——post。post区别于get的是：get是明文显示参数，post是非明文显示参数。学会post，你又有两个参数可用：

在post请求里，我们使用data来传递参数，其用法和params非常相像。

cookies，中文名很好听是“小饼干”。但它却和“小饼干”并无关联。它的作用是让服务器“记住你”，比如一般当你登录一个网站，你都会在登录页面看到一个可勾选的选项“记住我”。如果你点了勾选，服务器就会生成一个cookies和你的账号绑定。接着，它把这个cookies告诉你的浏览器，让浏览器把cookies存储到你的本地电脑。当下一次，浏览器带着cookies访问博客，服务器会知道你是何人，你不需要再重复输入账号密码，就能直接访问。

到这，考虑极端情况。你的代码可能会写成这个模样：

import requests

url_1 = 'https://…'
headers = {'user-agent':''}
data = {}
# 定义url，headers和data

login_in = requests.post(url,headers=headers,data=data)
cookies = login_in.cookies
# 完成登录，获取cookies

url_2 = 'https://…'
params = {}
# 定义url和params

response = requests.get(url,headers=headers,params=params,cookies=cookies)
# 带着cookies重新发起请求

1.5 存储

变着花地获取数据，变着花地解析数据，提取数据。都会让你来到最后一站：存储数据。

存储数据的方法有许多，其中最常见的是： csv和excel。

#csv写入的代码：

import csv
csv_file=open('demo.csv','w',newline='')
writer = csv.writer(csv_file)
writer.writerow(['电影','豆瓣评分'])
csv_file.close()

#csv读取的代码：

import csv
csv_file=open('demo.csv','r',newline='')
reader=csv.reader(csv_file)
for row in reader:
    print(row)

#Excel写入的代码：

import openpyxl 
wb=openpyxl.Workbook() 
sheet=wb.active
sheet.title='new title'
sheet['A1'] = '漫威宇宙'
rows= [['美国队长','钢铁侠','蜘蛛侠','雷神'],['是','漫威','宇宙', '经典','人物']]
for i in rows:
    sheet.append(i)
print(rows)
wb.save('Marvel.xlsx')

#Excel读取的代码：

import openpyxl
wb = openpyxl.load_workbook('Marvel.xlsx')
sheet=wb['new title']
sheetname = wb.sheetnames
print(sheetname)
A1_value=sheet['A1'].value
print(A1_value)

1.6 更多的爬虫

从爬虫四步的角度来看，世上已经少有你搞不定的爬虫。因为所有的请求，你都能用Python代码模拟；所有的响应，你都懂得如何解析。当你在后面拿到任何一个爬虫需求，都能做到心中有数不慌张。

但是，如果要爬取的数据特别特别多，以至于程序会被拖得很慢怎么办？用协程。

同步与异步——

多协程，是一种非抢占式的异步方式。使用多协程的话，就能让多个爬取任务用异步的方式交替执行。

下为，示例代码：

import gevent,time,requests
from gevent.queue import Queue
from gevent import monkey
monkey.patch_all()

start = time.time()

url_list = ['https://www.baidu.com/',
'https://www.sina.com.cn/',
'http://www.sohu.com/',
'https://www.qq.com/',
'https://www.163.com/',
'http://www.iqiyi.com/',
'https://www.tmall.com/',
'http://www.ifeng.com/']

work = Queue()
for url in url_list:
    work.put_nowait(url)

def crawler():
    while not work.empty():
        url = work.get_nowait()
        r = requests.get(url)
        print(url,work.qsize(),r.status_code)

tasks_list  = [ ]

for x in range(2):
    task = gevent.spawn(crawler)
    tasks_list.append(task)
gevent.joinall(tasks_list)

end = time.time()
print(end-start)

1.7 更强大的爬虫——框架

当你爬虫代码越写越多，一个一站式解决所有爬虫问题的框架，就对你越来越有吸引力。

Scrapy出现在你眼前。Scrapy的结构——

Scrapy的工作原理——

Scrapy的用法——

1.8 给爬虫加上翅膀

除了这条爬虫从无到有，从有到多，从多到强的主线路径之外。我们还穿插学习了三个有力工具：selenium，邮件通知和定时。

它们给爬虫增添上翅膀，能更方便地做更有趣的事。

先说selenium，我们学习了可视模式与静默模式这两种浏览器的设置方法，二者各有优势。

然后学习了使用.get('URL')获取数据，以及解析与提取数据的方法。

在这个过程中，对象的转换过程：

除了上面的方法，还可以搭配BeautifulSoup解析提取数据，前提是先获取字符串格式的网页源代码。

HTML源代码字符串 = driver.page_source

以及自动操作浏览器的一些方法。

而关于邮件，它是这样一种流程：

我们要用到的模块是smtplib和email，前者负责连接服务器、登录、发送和退出的流程。后者负责填输邮件的标题与正文。

最后一个示例代码，是这个模样：

import smtplib 
from email.mime.text import MIMEText
from email.header import Header
#引入smtplib、MIMETex和Header

mailhost='smtp.qq.com'
#把qq邮箱的服务器地址赋值到变量mailhost上，地址应为字符串格式
qqmail = smtplib.SMTP()
#实例化一个smtplib模块里的SMTP类的对象，这样就可以调用SMTP对象的方法和属性了
qqmail.connect(mailhost,25)
#连接服务器，第一个参数是服务器地址，第二个参数是SMTP端口号。
#以上，皆为连接服务器。

account = input('请输入你的邮箱：')
#获取邮箱账号，为字符串格式
password = input('请输入你的密码：')
#获取邮箱密码，为字符串格式
qqmail.login(account,password)
#登录邮箱，第一个参数为邮箱账号，第二个参数为邮箱密码
#以上，皆为登录邮箱。

receiver=input('请输入收件人的邮箱：')
#获取收件人的邮箱。

content=input('请输入邮件正文：')
#输入你的邮件正文，为字符串格式
message = MIMEText(content, 'plain', 'utf-8')
#实例化一个MIMEText邮件对象，该对象需要写进三个参数，分别是邮件正文，文本格式和编码
subject = input('请输入你的邮件主题：')
#输入你的邮件主题，为字符串格式
message['Subject'] = Header(subject, 'utf-8')
#在等号的右边是实例化了一个Header邮件头对象，该对象需要写入两个参数，分别是邮件主题和编码，然后赋值给等号左边的变量message['Subject']。
#以上，为填写主题和正文。

try:
    qqmail.sendmail(account, receiver, message.as_string())
    print ('邮件发送成功')
except:
    print ('邮件发送失败')
qqmail.quit()
#以上为发送邮件和退出邮箱。

再说定时，我们选取了schedule模块，它的用法非常简洁，官方文档里是这样讲述：

下面的代码是示例：

import schedule
import time
#引入schedule和time

def job():
    print("I'm working...")
#定义一个叫job的函数，函数的功能是打印'I'm working...'

schedule.every(10).minutes.do(job)       #部署每10分钟执行一次job()函数的任务
schedule.every().hour.do(job)            #部署每×小时执行一次job()函数的任务
schedule.every().day.at("10:30").do(job) #部署在每天的10:30执行job()函数的任务
schedule.every().monday.do(job)          #部署每个星期一执行job()函数的任务
schedule.every().wednesday.at("13:15").do(job)#部署每周三的13：15执行函数的任务

while True:
    schedule.run_pending()
    time.sleep(1)    
#13-15都是检查部署的情况，如果任务准备就绪，就开始执行任务。

以上，就是我们在爬虫系列关卡当中所学到的全部内容。

2. 爬虫进阶路线指引

正如我们前文所说，爬虫学个入门够用，但较起真来它也学无止境。下面，我们会讲讲，如果想继续深入地学习爬虫，还可以学哪些内容。

对照着我们的爬虫学习路径，我们的进阶指引也分这几个板块：解析与提取、存储、数据分析与可视化(新增)、更多的爬虫、框架，以及其他。

对于这些知识，许多简单的你已经可以通过自学官方文档，掌握它们的使用方法。而对于一些复杂的，尤其是需要项目训练的知识，你可能觉得学习它们有些困难。这部分，未来我也会去设计更多的课程，更多的项目练习。

2.1 解析与提取

当我们说要学习解析和提取，是指学习解析库。除了我们关卡里所用的BeautifulSoup解析、Selenium的自带解析库之外，还会有：xpath/lxml等。它们可能语法有所不同，但底层原理都一致，你能很轻松上手，然后在一些合适的场景，去用它们。

如果说上述解析库，学或不学都影响不大，那么我要隆重地推荐你去学习正则表达式(re模块)。正则表达式功能强大，它能让你自己设定一套复杂的规则，然后把目标文本里符合条件的相关内容给找出来。举个例子，我们在第5关时，会爬取一首歌的歌词，拿到的文本里面会充斥着各种符号。

根据我们之前学到的知识，只能一遍又一遍，不厌其烦地切片。但用正则，就能很轻易地解决这个问题。

2.2 存储

说到存储，我们目前已经掌握的知识是csv和excel。它们并不是非常高难度的模块，我会推荐你翻阅它们的官方文档，了解更多的用法。这样，对于平时的自动化办公也会有所帮助。

但是当数据量变得十分巨大(这在爬虫界并不是什么新鲜事)，同时数据与数据之间的关系，应难以用一张简单的二维平面表格来承载。那么，你需要数据库的帮助。

我推荐你从MySQL和MongoDB这两个库开始学起，它们一个是关系型数据库的典型代表，一个是非关系型数据库的典型代表。

当然，或许你会好奇什么是关系型数据库，什么是非关系型数据库。简单来说，我去设计两份表格，一张存储风变编程用户们的账户信息(昵称，头像等)，一张则存储用户们的学习记录。两个表格之间，通过唯一的用户id来进行关联。这样的就是关系型数据库。没有这种特征的，自然就是非关系型数据库。

学习数据库，需要你接触另一种语言：SQL。不过它也并不难学，加油！

2.3 数据分析与可视化

徒有海量的数据的意义非常有限。数据，要被分析过才能创造出更深远的价值。举个例子：拿到全中国麦当劳门店的地址和营收数据意义并不大，但如果能从中总结出快餐店的最优策略，这就能指导商业决策。

拿到携程网上，用户对深圳欢乐谷的所有评论，意义并不大。但从中分析总结出用户游玩时真正在意的点，那就很有趣。

这里边的技能，叫做数据分析。将数据分析的结论，直观、有力地传递出来，是可视化。

认真来讲，这可并不是很简单的技能。学习数据分析，要比爬虫还要花费更多的时间。所以未来，我一定也会去做这方面的关卡，帮助大家掌握它。

如果你希望自己学习它，这是我推荐的模块与库：Pandas/Matplotlib/Numpy/Scikit-Learn/Scipy。

2.4 更多的爬虫

当你有太多的数据要爬取，你就要开始关心爬虫的速度。在此，我们介绍了一个可以让多个爬虫一起工作的工具——协程。

严格来说这并不是同时工作，而是电脑在多个任务之间快速地来回切换，看上去就仿佛是爬虫们同时工作。

所以这种工作方式对速度的优化有瓶颈。那么，如果还想有所突破还可以怎么做？

我们已经知道，协程在本质上只用到CPU的一个核。而多进程(multiprocessing库)爬虫允许你使用CPU的多个核，所以你可以使用多进程，或者是多进程与多协程结合的方式进一步优化爬虫。

理论上来说，只要CPU允许，开多少个进程，就能让你的爬虫速度提高多少倍。

那要是CPU不允许呢？比如我的电脑，也就8核。而我想突破8个进程，应该怎么办？

答，分布式爬虫。什么意思呢？分布式爬虫，就是让多个设备，去跑同一个项目。

我们去创建一个共享的队列，队列里塞满了待执行的爬虫任务。让多个设备从这个共享队列当中，去获取任务，并完成执行。这就是分布式爬虫。

如此，就不再有限制你爬虫的瓶颈——多加设备就行。在企业内，面对大量爬虫任务，他们也是使用分布式的方式来进行爬虫作业。

实现分布式爬虫，需要下一个组块的内容——框架。

2.5 更强大的爬虫——框架

目前，我们已经简单地学过Scrapy框架的基本原理和用法。而一些更深入的用法：使用Scrapy模拟登录、存储数据库、使用HTTP代理、分布式爬虫……这些就还不曾涉及。

不过好消息是，这些知识对于今天的你来说，大数都能轻松上手。因为它们的底层逻辑，你都已掌握，剩下的，不过是一些语法问题罢了。

我会推荐你先去更深入地学习、了解Scrapy框架。然后再了解一些其他的优秀框架，如：PySpider。

2.6 项目训练

现在，当你再去一些招聘网站上去浏览“爬虫工程师”的字样时，它的工作描述，已经不再有会让你陌生的字眼。

你开始觉得，或许自己再补充一些知识学习，也能够胜任。那么中间缺的是什么？

上述的模块/库/框架并不是那样重要，因为它们都是易于掌握的工具。对于一个爬虫工程师来说最重要的，是达成目标的思维。

相信你已经能感受到，在我们所有的项目型关卡里，都遵循着这三个核心步骤：确认目标、分析过程和代码实现(对于复杂项目，也要去做代码封装)。

其中，难度最大的不是代码实现，也不是代码封装，而是：确认一个合理的目标，分析这个目标如何实现，设计这些工具模块如何组合应用。

我们所学习的爬虫四步：获取数据、解析数据、提取数据和存储数据，都服务于“分析过程”这一步。

我要的数据在哪？怎么拿到数据？怎么更快地拿到数据？怎么更好地存储数据……这个，都属于“达成目标的思维”。

获取这种思维，需要大量的项目实操练习。

所以我想推荐你：完成我所提供的所有项目练习；多读一读，编程前辈们的博客、github主页学习案例；同时，探索更多的项目实操，丰富自己的爬虫经验。

在未来，如果我再设计更进阶的爬虫课程，教授正则、进程、分布式……的知识，也一定会将大量项目实操作为主线。

3. 反爬虫应对策略汇总

说完了进阶路线指引，我们来说反爬虫。几乎所有的技术人员对反爬虫都有一个共识：所谓的反爬虫，从不是将爬虫完全杜绝；而是想办法将爬虫的访问量限制在一个可接纳的范围，不要让它过于肆无忌惮。

原因很简单：爬虫代码写到最后，已经和真人访问网络毫无区别。服务器的那一端完全无法判断是人还是爬虫。如果想要完全禁止爬虫，正常用户也会无法访问。所以只能想办法进行限制，而非禁止。

所以，我们可以了解有哪些“反爬虫”技巧，再思考如何应对“反爬虫”。

有的网站会限制请求头，即Request Headers，那我们就去填写user-agent声明自己的身份，有时还要去填写origin和referer声明请求的来源。

有的网站会限制登录，不登录就不给你访问。那我们就用cookies和session的知识去模拟登录。

有的网站会做一些复杂的交互，比如设置“验证码”来阻拦登录。这就比较难做，解决方案一般有二：我们用Selenium去手动输入验证码；我们用一些图像处理的库自动识别验证码(tesserocr/pytesserart/pillow)。

有的网站会做IP限制，什么意思呢？我们平时上网，都会有携带一个IP地址。IP地址就好像电话号码(地址码)：有了某人的电话号码，你就能与他通话了。同样，有了某个设备的IP地址，你就能与这个设备通信。

使用搜索引擎搜索“IP”，你也能看到自己的IP地址。

如上，它显示出了我的IP地址，所用的网络通信服务商是深圳电信。如果这个IP地址，爬取网站频次太高，那么服务器就会暂时封掉来自这个IP地址的请求。

解决方案有二：使用time.sleep()来对爬虫的速度进行限制；建立IP代理池(你可以在网络上搜索可用的IP代理)，一个IP不能用了就换一个用。大致语法是这样：

import requests
url = 'https://…'
proxies = {'http':'http://…'}
# ip地址
response = requests.get(url,proxies=proxies)

以上，就是市面上最常见的反爬虫策略，以及对应的应对策略。你会发现没什么能真正阻拦你。这正印证了那句话：所谓的反爬虫，从不是将爬虫完全杜绝；而是想办法将爬虫的访问量限制在一个可接纳的范围，不要让它过于肆无忌惮。