多线程爬虫
- 思路
1、将待爬取的URL地址存放到队列中
2、多个线程从队列中获取地址,进行数据抓取
3、注意获取地址过程中程序阻塞问题
while True:
if not q.empty():
url = q.get()
... ...
else:
break
- 将抓取数据保存到同一文件
# 注意多线程写入的线程锁问题
from threading import Lock
lock = Lock()
lock.acquire()
python代码块
lock.release()
- 代码实现思路
# 1、在 __init__(self) 中创建文件对象,多线程操作此对象进行文件写入
self.f = open('xiaomi.csv','a',newline='')
self.writer = csv.writer(self.f)
self.lock = Lock()
# 2、每个线程抓取1页数据后将数据进行文件写入,写入文件时需要加锁
def parse_html(self):
app_list = []
for xxx in xxx:
app_list.append([name,link,typ])
self.lock.acquire()
self.wirter.writerows(app_list)
self.lock.release()
# 3、所有数据抓取完成关闭文件
def main(self):
self.f.close()
解析模块汇总
re、lxml+xpath、json
# re
import re
pattern = re.compile(r'',re.S)
r_list = pattern.findall(html)
# lxml+xpath
from lxml import etree
parse_html = etree.HTML(html)
r_list = parse_html.xpath('')
# json
# 响应内容由json转为python
html = json.loads(res.text)
# 所抓数据保存到json文件
with open('xxx.json','a') as f:
json.dump(item_list,f,ensure_ascii=False)
# 或
f = open('xxx.json','a')
json.dump(item_list,f,ensure_ascii=False)
f.close()
cookie模拟登录
适用网站及场景
抓取需要登录才能访问的页面
cookie和session机制
# http协议为无连接协议
cookie: 存放在客户端浏览器
session: 存放在Web服务器
人人网登录案例
- 方法一 - 登录网站手动抓取Cookie
1、先登录成功1次,获取到携带登录信息的Cookie
登录成功 - 个人主页 - F12抓包 - 刷新个人主页 - 找到主页的包(profile)
2、携带着cookie发请求
** Cookie
** User-Agent
import requests
from lxml import etree
class RenRen():
def __init__(self):
self.url = 'http://www.renren.com/972492372/profile'
self.headers ={
"Accept": "text/html,application/xhtml+xml,application/xml;q=0.9,image/webp,image/apng,*/*;q=0.8,application/signed-exchange;v=b3",
"Accept-Encoding": "gzip, deflate",
"Accept-Language": "zh-CN,zh;q=0.9",
"Connection": "keep-alive",
"Cookie": "anonymid=k1t3t0j3-h9gzvq; depovince=HEN; _r01_=1; jebe_key=c8c39106-631c-4bf9-beee-6dd56c4dccb4%7Cda3512308c1175d981f7c3b2f61ac168%7C1571222161507%7C1%7C1571222164814; jebe_key=c8c39106-631c-4bf9-beee-6dd56c4dccb4%7Cda3512308c1175d981f7c3b2f61ac168%7C1571222161507%7C1%7C1571222164824; JSESSIONID=abc-_0r4SWAI-56l3yx3w; ick_login=6e19e2f8-1838-4b76-b4ef-65cc2c216fb4; XNESSESSIONID=abcJ3n1gB0wa0_NeNzx3w; ick=aed15c33-4ef5-43cd-b6bb-89e81fd12e10; __utma=151146938.462399663.1571276995.1571276995.1571276995.1; __utmc=151146938; __utmz=151146938.1571276995.1.1.utmcsr=wan.renren.com|utmccn=(referral)|utmcmd=referral|utmcct=/; __utmt=1; __utmb=151146938.1.10.1571276995; t=134513375b8319bcbed2590712bbaf6e2; societyguester=134513375b8319bcbed2590712bbaf6e2; id=972492372; xnsid=2892efbd; jebecookies=fc6e8057-d6a0-408d-b20a-6dec64b6c264|||||; ver=7.0; loginfrom=null; wp_fold=0",
"Host": "www.renren.com",
"Referer": "http://www.renren.com/972492372/newsfeed/photo",
"Upgrade-Insecure-Requests": "1",
"User-Agent": "Mozilla/5.0 (X11; Linux x86_64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/77.0.3865.90 Safari/537.36",
}
def parse_html(self):
html = requests.get(url=self.url,headers=self.headers).text
p = etree.HTML(html)
xpath_bd = '//li[@class="birthday"]/span/text()'
r_list = p.xpath(xpath_bd)
print(r_list)
if __name__ == '__main__':
spider = RenRen()
spider.parse_html()
- 方法二
原理
1、把抓取到的cookie处理为字典
2、使用requests.get()中的参数:cookies
处理cookie为字典
# 处理cookies为字典
cookies_dict = {}
cookies = 'xxxx'
for kv in cookies.split('; ')
cookies_dict[kv.split('=')[0]] = kv.split('=')[1]
代码实现
import requests
from lxml import etree
class Renren():
def __init__(self):
self.url = 'http://www.renren.com/972492372/profile'
self.headers = {
'User-Agent':''
}
def parse_html(self):
html = requests.get(url=self.url,headers=self.headers,cookies=self.get_cookies()).text
p = etree.HTML(html)
xpatn_db = '//li[@class="birthday"]/span/text()'
r_list = p.xpath(xpatn_db)
print(r_list)
def get_cookies(self):
cooks = 'anonymid=k1t3t0j3-h9gzvq; depovince=HEN; _r01_=1; jebe_key=c8c39106-631c-4bf9-beee-6dd56c4dccb4%7Cda3512308c1175d981f7c3b2f61ac168%7C1571222161507%7C1%7C1571222164814; jebe_key=c8c39106-631c-4bf9-beee-6dd56c4dccb4%7Cda3512308c1175d981f7c3b2f61ac168%7C1571222161507%7C1%7C1571222164824; JSESSIONID=abc-_0r4SWAI-56l3yx3w; ick_login=6e19e2f8-1838-4b76-b4ef-65cc2c216fb4; XNESSESSIONID=abcJ3n1gB0wa0_NeNzx3w; ick=aed15c33-4ef5-43cd-b6bb-89e81fd12e10; __utma=151146938.462399663.1571276995.1571276995.1571276995.1; __utmc=151146938; __utmz=151146938.1571276995.1.1.utmcsr=wan.renren.com|utmccn=(referral)|utmcmd=referral|utmcct=/; __utmb=151146938.1.10.1571276995; t=134513375b8319bcbed2590712bbaf6e2; societyguester=134513375b8319bcbed2590712bbaf6e2; id=972492372; xnsid=2892efbd; jebecookies=fc6e8057-d6a0-408d-b20a-6dec64b6c264|||||; ver=7.0; loginfrom=null; wp_fold=0'
cookd = {}
cooks.split(';')
for cook in cooks.split(';'):
#非cook:'td_cookie=k1t3'
cookd[cook.split('=')[0]] = cook.split('=')[1]
return cookd
if __name__ == '__main__':
spider = Renren()
spider.parse_html()
- 方法三 - requests模块处理Cookie
原理思路及实现
# 1. 思路
requests模块提供了session类,来实现客户端和服务端的会话保持
# 2. 原理
1、实例化session对象
session = requests.session()
2、让session对象发送get或者post请求
res = session.post(url=url,data=data,headers=headers)
res = session.get(url=url,headers=headers)
# 3. 思路梳理
浏览器原理: 访问需要登录的页面会带着之前登录过的cookie
程序原理: 同样带着之前登录的cookie去访问 - 由session对象完成
1、实例化session对象
2、登录网站: session对象发送请求,登录对应网站,把cookie保存在session对象中
3、访问页面: session对象请求需要登录才能访问的页面,session能够自动携带之前的这个cookie,进行请求
具体步骤
1、寻找Form表单提交地址 - 寻找登录时POST的地址
查看网页源码,查看form表单,找action对应的地址: http://www.renren.com/PLogin.do
2、发送用户名和密码信息到POST的地址
* 用户名和密码信息以什么方式发送? -- 字典
键 :<input>标签中name的值(email,password)
值 :真实的用户名和密码
post_data = {'email':'','password':''}
session = requests.session()
session.post(url=url,data=data)
#代码
1,先post到站点
程序实现
import requests
class RenrenLogin():
def __init__(self):
self.post_url = 'http://www.renren.com/PLogin.do'
self.get_url = 'http://www.renren.com/972492372/profile'
self.headers = ''
# 实例化session对象
self.session = requests.session()
def pares_html(self):
#填写自己的账户密码
data = {'email': '18633615542', 'password': '123456'}
# 1.先post
self.session.post(url=self.post_url, data=data)
# 2.在get
html = self.session.get(url=self.get_url).text
print(html)
if __name__ == '__main__':
spider = RenrenLogin()
spider.pares_html()
selenium+phantomjs/Chrome/Firefox
selenium
- 定义
1、Web自动化测试工具,可运行在浏览器,根据指令操作浏览器
2、只是工具,必须与第三方浏览器结合使用
- 安装
Linux: sudo pip3 install selenium
Windows: python -m pip install selenium
phantomjs浏览器
- 定义
无界面浏览器(又称无头浏览器),在内存中进行页面加载,高效
- 安装(phantomjs、chromedriver、geckodriver)
Windows
1、下载对应版本的phantomjs、chromedriver、geckodriver
2、把chromedriver.exe拷贝到python安装目录的Scripts目录下(添加到系统环境变量)
# 查看python安装路径: where python
3、验证
cmd命令行: chromedriver
# 下载地址
1、chromedriver : 下载对应版本
http://chromedriver.storage.googleapis.com/index.html
2、geckodriver
https://github.com/mozilla/geckodriver/releases
3、phantomjs
https://phantomjs.org/download.html
Linux
1、下载后解压
tar -zxvf geckodriver.tar.gz
2、拷贝解压后文件到 /usr/bin/ (添加环境变量)
sudo cp geckodriver /usr/bin/
3、更改权限
sudo -i
cd /usr/bin/
chmod 777 geckodriver
- 使用
示例代码一:使用 selenium+浏览器 打开百度
# 导入seleinum的webdriver接口
from selenium import webdriver
import time
# 创建浏览器对象
browser = webdriver.PhantomJS()
browser.get('http://www.baidu.com/')
time.sleep(5)
# 关闭浏览器
browser.quit()
示例代码二:打开百度,搜索赵丽颖,点击搜索,查看
from selenium import webdriver
import time
# 1.创建浏览器对象 - 已经打开了浏览器
browser = webdriver.Chrome()
# 2.输入: http://www.baidu.com/
browser.get('http://www.baidu.com/')
# 3.找到搜索框,向这个节点发送文字: 赵丽颖
browser.find_element_by_xpath('//*[@id="kw"]').send_keys('赵丽颖')
# 4.找到 百度一下 按钮,点击一下
browser.find_element_by_xpath('//*[@id="su"]').click()
- 浏览器对象(browser)方法
# from selenium import webdriver
1、browser = webdriver.Chrome(executable_path='path')
2、browser.get(url)
3、browser.page_source # HTML结构源码
4、browser.page_source.find('字符串')
# 从html源码中搜索指定字符串,没有找到返回:-1
5、browser.quit() # 关闭浏览器
- 定位节点
单元素查找(1个节点对象)(找到第一个符合条件的就返回)
1、browser.find_element_by_id('')
2、browser.find_element_by_name('')
3、browser.find_element_by_class_name('')
4、browser.find_element_by_xpath('')
5、browser.find_element_by_link_text('')
... ...
多元素查找([节点对象列表])
1、browser.find_elements_by_id('')
2、browser.find_elements_by_name('')
3、browser.find_elements_by_class_name('')
4、browser.find_elements_by_xpath('')
... ...
- 节点对象操作
1、ele.send_keys('') # 搜索框发送内容
2、ele.click()
3、ele.text # 获取文本内容,包含子节点和后代节点的文本内容
4、ele.get_attribute('src') # 获取属性值
京东爬虫案例
- 目标
1、目标网址 :https://www.jd.com/
2、抓取目标 :商品名称、商品价格、评价数量、商品商家
- 思路提醒
1、打开京东,到商品搜索页
2、匹配所有商品节点对象列表
3、把节点对象的文本内容取出来,查看规律,是否有更好的处理办法?
4、提取完1页后,判断如果不是最后1页,则点击下一页
# 如何判断是否为最后1页???
- 实现步骤
找节点
1、首页搜索框 : //*[@id="key"]
2、首页搜索按钮 ://*[@id="search"]/div/div[2]/button
3、商品页的 商品信息节点对象列表 ://*[@id="J_goodsList"]/ul/li
4、for循环遍历后
名称: .//div[@class="p-name p-name-type-2"]/a/em
价格: .//div[@class="p-price"]
评论: .//div[@class="p-commit"]/strong
商家: .//div[@class="p-shop"]
执行JS脚本,获取动态加载数据
browser.execute_script(
'window.scrollTo(0,document.body.scrollHeight)'
)
代码实现
seienium-切换页面(句柄)
使用网站
页面中点开链接出现新的页面,但是浏览器对象browser还是之前页面的对象
应对方案
#1.获取当前所有句柄(窗口):列表[<page1>,<page2>]
all_handles = browser.window_handles
#2.切换句柄
browser.switch_to.window(all_handles[1]