Python爬虫 - requests(高级)

requests高级部分

• 代理

  • 代理概念:代理服务器
  • 作用:接受请求==>请求转发
  • 代理和爬虫之间的关联:
    • 可以使用请求转发的机制使得目的服务器接受的请求对应ip的一个改变
  • 为什么要使用代理改变请求的ip地址
    • 爬程序在短时间内对指定的服务器发起了一个高频的请求,则请求对应的ip可能会被目的服务器禁止
  • 代理的一些基础知识:
    • 代理的匿名度:
      • 透明代理:目的服务器知道你使用了代理机制,并且也知道你的真实ip
      • 匿名代理:知道使用了代理机制,但是不知道你的真实ip
      • 高匿代理:不知道你使用了代理,也不知道你的真实ip
    • 代理的类型:
      • http:
      • https:
  • 免费代理ip:
    • 快代理
    • 西刺代理
    • www.goubanjia.com
    • 代理精灵 付费:http://http.zhiliandaili.cn/

• cookie

• 验证码的识别

• 模拟登陆

需求:测试一下代理是否会生效

• 准备:
  - 代理ip和端口
  - 测试的过程

https://www.baidu.com/s?ie=utf-8&wd=ip

• get/post方法中使用proxies请求代理的设置
  • proxies = {‘http‘:‘ip:port‘}

import requests
from lxml import etree

url = ‘http://www.baidu.com/s?ie=utf-8&wd=ip‘
headers = {
"User-Agent":"Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/78.0.3904.108 Safari/537.36"
}

page_text = requests.get(url=url,headers=headers,proxies={
    ‘https‘: "114.98.26.47:4216"
}).text

with open(‘./ip.html‘,‘w‘,encoding=‘utf-8‘) as fp:
    fp.write(page_text)

对西刺代理发起一个高频的请求,使得本机ip被禁止采用代理池解决反爬

• url = "https://www.xicidaili.com/

• 在xpath表达式中一定不可以出现tbody标签

  import requests
  from lxml import etree
  
  url = "https://www.xicidaili.com/nn/%d"
  headers = {
  "User-Agent":"Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/78.0.3904.108 Safari/537.36"
  }
  ips = []
  for page in range(1,30):
      new_url = format(url%page)
      page_text = requests.get(new_url,headers=headers).text
      tree = etree.HTML(page_text)
      tree_list  = tree.xpath(‘//*[@id="ip_list"]//tr‘)[1:]
      for tr in tree_list:
          ip  =  tr.xpath(‘./td[2]/text()‘)[0]
          ips.append(ip)
  print(len(ips))

• 代理池的构建:就是一个列表,列表中存储的是字典,每一个字典存储的键值{‘http‘:‘ip:port‘}

import requests
from lxml import etree
import random
url = "https://www.xicidaili.com/nn/%d"
headers = {
"User-Agent":"Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/78.0.3904.108 Safari/537.36"
}
ips = []
for page in range(1,30):
    new_url = format(url%page)
    page_text = requests.get(new_url,headers=headers,proxies=random.choice(all_ips)).text
    tree = etree.HTML(page_text)
    tree_list  = tree.xpath(‘//*[@id="ip_list"]//tr‘)[1:]
    for tr in tree_list:
        ip  =  tr.xpath(‘./td[2]/text()‘)[0]
        ips.append(ip)
print(len(ips))

完整代码

cookie处理

• https://xueqiu.com/,对这个雪球网中的新闻数据进行爬取
• 分析:
  • 新闻数据是通过ajax动态加载出来的
  • 捕获到ajax数据包中的url
• 请求头中重要信息
  • User-Agent
  • Cookie
  • Referer
• cookie的处理
  • 手动处理
    • 将cookie作用到headers中即可
  • 自动处理
    • session = requests.Session()
    • session的作用:
      • session可以像requests模块一样调用get和post进行请求发送
      • 在进行请求发送的过程中如果产生了cookie则cookie会被自动存储到session的对象中

session = requests.Session()
#第一次请求发送:为了捕获cookie且存储到session对象中
headers = {
"User-Agent":"Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/78.0.3904.108 Safari/537.36"
}
first_url = ‘https://xueqiu.com/‘
session.get(first_url,headers=headers)
#第二次请求发送:携带着cookie进行请求的发送
url = "https://xueqiu.com/statuses/hot/listV2.json?since_id=-1&max_id=63198&size=15"
json_data = session.get(url=url,headers=headers).json()
print(json_data)

模拟登陆

• 为什么需要进行模拟登陆
  • 有些数据不经过登陆是访问不到的
• 验证码的处理
  • 基于线上的打码平台来实现
    • 云打码
    • 超级鹰:https://www.chaojiying.com/
    • 超级鹰的使用流程:
      • 基于用户中心的身份进行注册
      • 用户中心的身份进行登陆:
        • 充值
        • 创建一个软件:点击软件ID => 生成软件ID
        • 下载实例代码:

#!/usr/bin/env python
# coding:utf-8
import requests
from lxml import etree
import requests
from hashlib import md5

class Chaojiying_Client(object):

    def __init__(self, username, password, soft_id):
        self.username = username
        password =  password.encode(‘utf8‘)
        self.password = md5(password).hexdigest()
        self.soft_id = soft_id
        self.base_params = {
            ‘user‘: self.username,
            ‘pass2‘: self.password,
            ‘softid‘: self.soft_id,
        }
        self.headers = {
            ‘Connection‘: ‘Keep-Alive‘,
            ‘User-Agent‘: ‘Mozilla/4.0 (compatible; MSIE 8.0; Windows NT 5.1; Trident/4.0)‘,
        }

    def PostPic(self, im, codetype):
        """
        im: 图片字节
        codetype: 题目类型 参考 http://www.chaojiying.com/price.html
        """
        params = {
            ‘codetype‘: codetype,
        }
        params.update(self.base_params)
        files = {‘userfile‘: (‘ccc.jpg‘, im)}
        r = requests.post(‘http://upload.chaojiying.net/Upload/Processing.php‘, data=params, files=files, headers=self.headers)
        return r.json()

    def ReportError(self, im_id):
        """
        im_id:报错题目的图片ID
        """
        params = {
            ‘id‘: im_id,
        }
        params.update(self.base_params)
        r = requests.post(‘http://upload.chaojiying.net/Upload/ReportError.php‘, data=params, headers=self.headers)
        return r.json()

#
# if __name__ == ‘__main__‘:
#     chaojiying = Chaojiying_Client(‘11111111‘, ‘z12345678‘, ‘905817‘)	#用户中心>>软件ID 生成一个替换 96001
#     im = open(‘a.jpg‘, ‘rb‘).read()													#本地图片文件路径 来替换 a.jpg 有时WIN系统须要//
#     print(chaojiying.PostPic(im, 1902))												#1902 验证码类型  官方网站>>价格体系 3.4+版 print 后要加()


#封装一个识别码的函数
def transformCode(imgPath,imgType):
    chaojiying = Chaojiying_Client(‘111111111‘, ‘z12345678‘, ‘905817‘)	#用户中心>>软件ID 生成一个替换 96001
    im = open(imgPath, ‘rb‘).read()													#本地图片文件路径 来替换 a.jpg 有时WIN系统须要//
    return chaojiying.PostPic(im, imgType)[‘pic_str‘]		#1902 验证码类型  官方网站>>价格体系 3.4+版 print 后要加()


#使用打码平台识别古诗文网中的验证码图片

url = "https://so.gushiwen.org/user/login.aspx?from=http://so.gushiwen.org/user/collect.aspx"
headers = {
"user-agent":"Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/78.0.3904.108 Safari/537.36"
}
page_text = requests.get(url,headers=headers).text
tree = etree.HTML(page_text)
code_img_src = "https://so.gushiwen.org"+tree.xpath(‘//*[@id="imgCode"]/@src‘)[0]
img_data = requests.get(code_img_src,headers=headers).content
with open("./code.jpg",‘wb‘)as fp:
    fp.write(img_data)

print(transformCode(‘./code.jpg‘,1902))

• 模拟登陆

  • 对点击登录按钮对应的url进行请求发送

  • 动态变化的请求参数:

    • 一般都会被隐藏咱前台页面中
    • 基于抓包工具对请求参数的名称进行全局搜索

import requests
from lxml import etree

from hashlib import md5

class Chaojiying_Client(object):

    def __init__(self, username, password, soft_id):
        self.username = username
        password =  password.encode(‘utf8‘)
        self.password = md5(password).hexdigest()
        self.soft_id = soft_id
        self.base_params = {
            ‘user‘: self.username,
            ‘pass2‘: self.password,
            ‘softid‘: self.soft_id,
        }
        self.headers = {
            ‘Connection‘: ‘Keep-Alive‘,
            ‘User-Agent‘: ‘Mozilla/4.0 (compatible; MSIE 8.0; Windows NT 5.1; Trident/4.0)‘,
        }

    def PostPic(self, im, codetype):
        """
        im: 图片字节
        codetype: 题目类型 参考 http://www.chaojiying.com/price.html
        """
        params = {
            ‘codetype‘: codetype,
        }
        params.update(self.base_params)
        files = {‘userfile‘: (‘ccc.jpg‘, im)}
        r = requests.post(‘http://upload.chaojiying.net/Upload/Processing.php‘, data=params, files=files, headers=self.headers)
        return r.json()

    def ReportError(self, im_id):
        """
        im_id:报错题目的图片ID
        """
        params = {
            ‘id‘: im_id,
        }
        params.update(self.base_params)
        r = requests.post(‘http://upload.chaojiying.net/Upload/ReportError.php‘, data=params, headers=self.headers)
        return r.json()




def transformCode(imgPath,imgType):
    chaojiying = Chaojiying_Client(‘11111111‘, ‘z12345678‘, ‘905817‘)	#用户中心>>软件ID 生成一个替换 96001
    im = open(imgPath, ‘rb‘).read()													#本地图片文件路径 来替换 a.jpg 有时WIN系统须要//
    return chaojiying.PostPic(im, imgType)[‘pic_str‘]		#1902 验证码类型  官方网站>>价格体系 3.4+版 print 后要加()


#处理cookie
headers = {
"user-agent":"Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/78.0.3904.108 Safari/537.36"

}
session = requests.Session()
#获取且识别验证码
url = "https://so.gushiwen.org/user/login.aspx?from=http://so.gushiwen.org/user/collect.aspx"

page_text = session.get(url,headers=headers).text
tree = etree.HTML(page_text)
#解析到了验证码图片的地址
code_img_src = "https://so.gushiwen.org"+tree.xpath(‘//*[@id="imgCode"]/@src‘)[0]

#解析出模拟登陆请求中动态变化的两个参数的值
__VIEWSTATE = tree.xpath(‘//*[@id="__VIEWSTATE"]/@value‘)[0]
__VIEWSTATEGENERATOR = tree.xpath(‘//*[@id="__VIEWSTATEGENERATOR"]/@value‘)[0]
#对图片进行请求时捕获cookie
img_data = session.get(code_img_src,headers=headers).content
with open("./code.jpg",‘wb‘)as fp:
    fp.write(img_data)
#验证码对应的文本数据
code_text = transformCode(‘./code.jpg‘,1902)
print(code_text)

#对于登录按钮的点击进行请求发送
login_url = "https://so.gushiwen.org/user/login.aspx?from=http%3a%2f%2fso.gushiwen.org%2fuser%2fcollect.aspx"
data = {
"__VIEWSTATE":__VIEWSTATE,
"__VIEWSTATEGENERATOR": __VIEWSTATEGENERATOR,
"from": "http://so.gushiwen.org/user/collect.aspx",
"email": "",
"pwd": "z12345678",
"code": code_text,
"denglu": "登录",
}
login_page_text=session.post(url=login_url,headers=headers,data=data).text
with open(‘./古文.html‘,‘w‘,encoding=‘utf-8‘)as fp:
    fp.write(login_page_text)

• 总结:
  • 验证码
  • 动态汉化的请求参数
  • cookie
  • 代理
  • UA
  • robots