Spider爬虫(四)

目前反爬总结

• 基于User-Agent反爬

1、发送请求携带请求头: headers={'User-Agent' : 'Mozilla/5.0 xxxxxx'}
2、多个请求随机切换User-Agent
   1、定义列表存放大量User-Agent，使用random.choice()每次随机选择
   2、定义py文件存放大量User-Agent，使用random.choice()每次随机选择
   3、使用fake_useragent模块每次访问随机生成User-Agent
    # sudo pip3 install fake_useraget
    
    * from fake_useragent import UserAgent
    * ua = UserAgent()
    * user_agent = ua.random
    * print(user_agent)

• 响应内容前端JS做处理反爬

1、html页面中可匹配出内容，程序中匹配结果为空(html格式化)
   * 响应内容中嵌入js，对页面结构做了一定调整导致，通过查看网页源代码，格式化输出查看结构，更改xpath或者正则测试
2、如果数据出不来可考虑更换 IE 的User-Agent尝试，数据返回最标准

请求模块总结

• urllib库使用流程

# 编码
params = {
    '':'',
    '':''
}
params = urllib.parse.urlencode(params)
url = baseurl + params

# 请求
request = urllib.request.Request(url,headers=headers)
response = urllib.request.urlopen(request)
html = response.read().decode('utf-8')

• requests模块使用流程

baseurl = 'http://tieba.baidu.com/f?'
html = requests.get(url,headers=headers).content.decode('utf-8','ignore')

• 响应对象res属性

res.text ：字符串
res.content ：bytes
res.encoding：字符编码 res.encoding='utf-8'
res.status_code ：HTTP响应码
res.url ：实际数据URL地址

解析模块总结

• 正则解析re模块

import re 

pattern = re.compile(r'正则表达式',re.S)
r_list = pattern.findall(html)

• lxml解析库

from lxml import etree

parse_html = etree.HTML(res.text)
r_list = parse_html.xpath('xpath表达式')

xpath表达式

• 匹配规则

1、节点对象列表
   # xpath示例: //div、//div[@class="student"]、//div/a[@title="stu"]/span
2、字符串列表
   # xpath表达式中末尾为: @src、@href、text()
    # //div/text():div节点文本内容
    # //div//text():div节点 + 所有节点文本内容

• xpath高级

1、基准xpath表达式: 得到节点对象列表
2、for r in [节点对象列表]:
       username = r.xpath('./xxxxxx')  

# 此处注意遍历后继续xpath一定要以:  . 开头，代表当前节点

写程序注意

# 最终目标: 不要使你的程序因为任何异常而终止
1、页面请求设置超时时间,并用try捕捉异常,超过指定次数则更换下一个URL地址
2、所抓取任何数据,获取具体数据前先判断是否存在该数据,可使用列表推导式
# 多级页面数据抓取注意
1、主线函数: 解析一级页面函数(将所有数据从一级页面中解析并抓取)

增量爬虫如何实现

1、数据库中创建指纹表,用来存储每个请求的指纹
2、在抓取之前,先到指纹表中确认是否之前抓取过

链家二手房案例（xpath）

实现步骤

• 确定是否为静态

打开二手房页面 -> 查看网页源码 -> 搜索关键字

• xpath表达式

1、基准xpath表达式(匹配每个房源信息节点列表)
   此处滚动鼠标滑轮时,li节点的class属性值会发生变化,通过查看网页源码确定xpath表达式
  //ul[@class="sellListContent"]/li[@class="clear LOGVIEWDATA LOGCLICKDATA"]

2、依次遍历后每个房源信息xpath表达式
   * 名称: './/a[@data-el="region"]/text()'
   
   # 户型+面积+方位+是否精装
   info_list = './/div[@class="houseInfo"]/text()'  [0].strip().split('|')
   * 户型: info_list[1]
   * 面积: info_list[2]
   * 方位: info_list[3]
   * 精装: info_list[4]
   

   * 楼层: './/div[@class="positionInfo"]/text()'
   * 区域: './/div[@class="positionInfo"]/a/text()'
   * 总价: './/div[@class="totalPrice"]/span/text()'
   * 单价: './/div[@class="unitPrice"]/span/text()'

代码实现

#知识点
1，xpath使用
	1，匹配最大节点，for循环遍历
    2，data = L[0] if L else None
2,timeout参数
	对于是被页面尝试3次后抓取下一个
    
   
import requests
from lxml import etree
import time
import random
from fake_useragent import UserAgent


class LianJia():
    def __init__(self):
        self.url = 'https://zz.lianjia.com/ershoufang/pg{}/'
        self.blag = 1

    # 随机headers
    def get_headers(self):
        ua = UserAgent().random
        headres = {'User-Agent': ua}

        return headres

    # 请求功能
    def get_html(self, url):
        if self.blag <= 3:
            try:
                res = requests.get(url, headers=self.get_headers(), timeout=5)
                html = res.content.decode()

                return html
            except Exception as e:
                self.blag += 1
                self.get_html(url)

    # 解析提取数据
    def parse_html(self, url):
        html = self.get_html(url)
        #html要么正常，要么为None
        if html:
            p = etree.HTML(html)
            # 基准xpath表达式--30个房源节点对象列表
            h_list = p.xpath('//ul[@class="sellListContent"]/li[@class="clear LOGVIEWDATA LOGCLICKDATA"]')
            for h in h_list:
                item = {}
                # 名称
                name_list = h.xpath('.//a[@data-el="region"]/text()')
                item['name'] = name_list[0] if name_list else None
                # 户名 面积 方位 装修
                info_list = h.xpath('.//div[@class="houseInfo"]/text()')
                if info_list:
                    l = info_list[0].split('|')
                    if len(l) == 5:
                        item['model'] = l[1].strip()
                        item['area'] = l[2].strip()
                        item['direction'] = l[3].strip()
                        item['perfect'] = l[4].strip()
                    else:
                        item['model'] = item['area'] = item['direction'] = item['perfect'] = None
                else:
                    item['model'] = item['area'] = item['direction'] = item['perfect'] = None

                # 楼层 区域 总价 单价
                floor_list = h.xpath('.//div[@class="positionInfo"]/text()')
                item['floor'] = floor_list[0].strip() if floor_list else None
                address_list = h.xpath('.//div[@class="positionInfo"]/a/text()')
                item['address'] = address_list[0].strip() if floor_list else None
                total_list = h.xpath('//div[@class="totalPrice"]/span/text()')
                item['total'] = total_list[0].strip() if floor_list else None
                unit_list = h.xpath('.//div[@class="unitPrice"]/span/text()')
                item['unit'] = unit_list[0].strip() if floor_list else None
                print(item)

    # 入口函数
    def run(self):
        for i in range(1, 101):
            url = self.url.format(i)
            self.parse_html(url)
            time.sleep(random.randint(1, 3))

            #每抓取一页，初始化self.blag的值
            self.blag = 1

if __name__ == '__main__':
    spider = LianJia()
    spider.run()

百度贴吧图片抓取

目标思路

• 目标

抓取指定贴吧所有图片

• 思路

1、获取贴吧主页URL,下一页,找到不同页的URL规律
2、获取1页中所有帖子URL地址: [帖子链接1,帖子链接2,...]
3、对每个帖子链接发请求,获取图片URL
4、向图片的URL发请求,以wb方式写入本地文件

实现步骤

• 贴吧URL规律

http://tieba.baidu.com/f?kw=??&pn=50

• xpath表达式

1、帖子链接xpath
   //div[@class="t_con cleafix"]/div/div/div/a/@href
    
2、图片链接xpath
   //div[@class="d_post_content j_d_post_content  clearfix"]/img[@class="BDE_Image"]/@src
    
3、视频链接xpath
   //div[@class="video_src_wrapper"]/embed/@data-video
   # 注意: 此处视频链接前端对响应内容做了处理,需要查看网页源代码来查看，复制HTML代码在线格式化

代码实现

from urllib import parse

import requests
from lxml import etree
import time
from fake_useragent import UserAgent
import random


class Baidu():
    def __init__(self):
        self.url = 'http://tieba.baidu.com/f?kw={}&pn={}'
        self.headers = {'User-Agent':'Mozilla/4.0 (compatible; MSIE 8.0; Windows NT 6.0; Trident/4.0)'}


    # 获取功能函数 - 获取html
    def get_html(self, url,params=None):
        html = requests.get(url=url,params=params, headers=self.headers).content.decode('utf-8', 'ignore')

        return html

    # 功能函数2--- 解析
    def xpath_func(self, html, xpath_bds):
        p = etree.HTML(html)
        r_list = p.xpath(xpath_bds)

        return r_list

    # 解析+提取
    def parse_html(self, one_url,params):
        one_html = self.get_html(one_url,params)
        xpath_bds = '//div[@class="t_con cleafix"]/div/div/div/a/@href'
        # print(xpath_bds)
        # t_list:['/p/123','/p/456']
        t_list = self.xpath_func(one_html, xpath_bds)
        # print(t_list)
        for t in t_list:
            t_link = 'http://tieba.baidu.com' + t
            # 保存图片
            self.save_image(t_link)

    # 给定一个帖子链接，把帖子中所有图片下载到本地
    def save_image(self, t_link):
        t_html = self.get_html(t_link)
        xpath_bds = '//div[@class="d_post_content j_d_post_content  clearfix"]/img[@class="BDE_Image"]/@src' # | //div[@class="video_src_wrapper"]/embed/@data-video	#这段xpath是匹配帖吧中的短视频视频
        img_list = self.xpath_func(t_html, xpath_bds)

        for img in img_list:
            img_html = requests.get(url=img, headers=self.headers).content
            filename = img[-10:]
            with open(filename, 'wb') as f:
                f.write(img_html)
            time.sleep(random.uniform(0, 2))
            print("%s下载成功" % filename)

    def run(self):
        name = input("请输入获取图片的贴吧名:")
        begin = int(input("请输入起始页:"))
        end = int(input("请输入结束页:"))
        for page in range(begin, end + 1):
            pn = (page-1)*50
            params={
                'kw':name,
                'pn':str(pn)
            }
            self.parse_html(self.url,params)



            #
            # name = parse.quote(name)
            # pn = (page - 1) * 50
            # url = self.url.format(name, pn)
            # self.parse_html(url)


if __name__ == '__main__':
    spider = Baidu()
    spider.run()

requests.get()参数

查询参数-params

• 参数类型

字典,字典中键值对作为查询参数

• 使用方法

1、res = requests.get(url,params=params,headers=headers)
2、特点: 
   * url为基准的url地址，不包含查询参数
   * 该方法会自动对params字典编码,然后和url拼接

• 示例

import requests

baseurl = 'http://tieba.baidu.com/f?'
params = {
  'kw' : '赵丽颖吧',
  'pn' : '50'
}
headers = {'User-Agent' : 'Mozilla/4.0'}
# 自动对params进行编码,然后自动和url进行拼接,去发请求
res = requests.get(url=baseurl,params=params,headers=headers)
res.encoding = 'utf-8'
print(res.text)

Web客户端验证参数-auth

• 作用及类型

1、针对于需要web客户端用户名密码认证的网站
2、auth = ('username','password')

• 达内code课程方向案例

# xpath表达式
//a/@href
# url 
http://code.tarena.com.cn/AIDCode/aid1904/14-redis/

思考：爬取具体的笔记文件？

import os

# 保存在: /home/tarena/redis
# 先判断 /home/tarena/redis 是否存在
  1、不存在: 先创建目录,然后再保存 .zip
  2、存在:  直接保存 .zip
    
# 使用频率很高
if not os.path.exists('路径'):
      os.makedirs('路径')

代码实现

import requests
import time
from lxml import etree


class Tarena():
    def __init__(self):
        self.url = 'http://code.tarena.com.cn/AIDCode/aid1904/14-redis/'
        # web客户端验证
        self.auth = ('tarenacode', 'code_2017')

    def save_file(self):
        html = requests.get(url=self.url, auth=self.auth).text
        p = etree.HTML(html)
        href_list = p.xpath('//a/@href')
        for href in href_list:
            if href.endswith('.zip') or href.endswith('.rar'):
                self.download(href)

    def download(self, href):
        file_url = self.url + href
        html = requests.get(url=file_url,auth=self.auth).content
        with open(href,'wb') as f:
            f.write(html)

        print(href,"下载成功")


if __name__ == '__main__':
    spider = Tarena()
    spider.save_file()

SSL证书认证参数-verify

• 适用网站及场景

1、适用网站: https类型网站但是没有经过 证书认证机构 认证的网站
2、适用场景: 抛出 SSLError 异常则考虑使用此参数

• 参数类型

  1、verify=True(默认)   : 检查证书认证
  2、verify=False（常用）: 忽略证书认证
  # 示例
  response = requests.get(
  	url=url,
  	params=params,
  	headers=headers,
  	verify=False
  )
  

代理参数-proxies

• 定义

1、定义: 代替你原来的IP地址去对接网络的IP地址。
2、作用: 隐藏自身真实IP,避免被封。

普通代理

• 获取代理IP网站

西刺代理、快代理、全网代理、代理精灵、... ...
高匿：Web端只能看到代理ip
普匿：Web端只能看到代理ip

• 参数类型

1、语法结构
   	proxies = {
       	'协议':'协议://IP:端口号'
   	}
2、示例
    proxies = {
    	'http':'http://IP:端口号',
    	'https':'https://IP:端口号'
	}

• 示例

使用免费普通代理IP访问测试网站: http://httpbin.org/get

import requests

url = 'http://httpbin.org/get'
headers = {
    'User-Agent':'Mozilla/5.0'
}
# 定义代理,在代理IP网站中查找免费代理IP
proxies = {
    'http':'http://112.85.164.220:9999',
    'https':'https://112.85.164.220:9999'
}
html = requests.get(url,proxies=proxies,headers=headers,timeout=5).text
print(html)

思考: 建立一个自己的代理IP池，随时更新用来抓取网站数据

1、从西刺代理IP网站上,抓取免费代理IP
2、测试抓取的IP,可用的保存在文件中

思考 - 代码实现

写一个获取收费开放代理的接口

私密代理

• 语法格式

1、语法结构
proxies = {
    '协议':'协议://用户名:密码@IP:端口号'
}

2、示例
proxies = {
	'http':'http://用户名:密码@IP:端口号',
  'https':'https://用户名:密码@IP:端口号'
}

示例代码

import requests
url = 'http://httpbin.org/get'
proxies = {
    'http': 'http://309435365:szayclhp@106.75.71.140:16816',
    'https':'https://309435365:szayclhp@106.75.71.140:16816',
}
headers = {
    'User-Agent' : 'Mozilla/5.0',
}

html = requests.get(url,proxies=proxies,headers=headers,timeout=5).text
print(html)

今日作业

1、总结前几天内容,理顺知识点
2、代理参数 - 如何建立自己的IP代理池,并使用随机代理IP访问网站
3、Web客户端验证 - 如何下载、保存