Python爬蟲之requests模塊(2)
一.今日內容
- session處理cookie
- proxies參數設置請求代理ip
- 基於線程池的數據爬取
二.回顧
- xpath的解析流程
- bs4的解析流程
- 常用xpath表達式
- 常用bs4解析方法
三.引入
有些時候,我們在使用爬蟲程序去爬取一些用戶相關信息的數據(爬取張三“人人網”個人主頁數據)時,如果使用之前requests模塊常規操作時,往往達不到我們想要的目的,例如:
#!/usr/bin/env python # -*- coding:utf-8 -*- import requests if __name__ == "__main__": #張三人人網個人信息頁面的url url = ‘http://www.renren.com/289676607/profile‘ #偽裝UA headers={ ‘User-Agent‘: ‘Mozilla/5.0 (Macintosh; Intel Mac OS X 10_12_0) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/69.0.3497.100 Safari/537.36‘, } #發送請求,獲取響應對象 response = requests.get(url=url,headers=headers) #將響應內容寫入文件 with open(‘./renren.html‘,‘w‘,encoding=‘utf-8‘) as fp: fp.write(response.text)
1.基於requests模塊的cookie操作
- 結果發現,寫入到文件中的數據,不是張三個人頁面的數據,而是人人網登陸的首頁面,why?首先我們來回顧下cookie的相關概念及作用:
- cookie概念:當用戶通過瀏覽器首次訪問一個域名時,訪問的web服務器會給客戶端發送數據,以保持web服務器與客戶端之間的狀態保持,這些數據就是cookie。
- cookie作用:我們在瀏覽器中,經常涉及到數據的交換,比如你登錄郵箱,登錄一個頁面。我們經常會在此時設置30天內記住我,或者自動登錄選項。那麽它們是怎麽記錄信息的呢,答案就是今天的主角cookie了,Cookie是由HTTP服務器設置的,保存在瀏覽器中,但HTTP協議是一種無狀態協議,在數據交換完畢後,服務器端和客戶端的鏈接就會關閉,每次交換數據都需要建立新的鏈接。就像我們去超市買東西,沒有積分卡的情況下,我們買完東西之後,超市沒有我們的任何消費信息,但我們辦了積分卡之後,超市就有了我們的消費信息。cookie就像是積分卡,可以保存積分,商品就是我們的信息,超市的系統就像服務器後臺,http協議就是交易的過程。
- 經過cookie的相關介紹,其實你已經知道了為什麽上述案例中爬取到的不是張三個人信息頁,而是登錄頁面。那應該如何抓取到張三的個人信息頁呢?
思路:
1.我們需要使用爬蟲程序對人人網的登錄時的請求進行一次抓取,獲取請求中的cookie數據
2.在使用個人信息頁的url進行請求時,該請求需要攜帶 1 中的cookie,只有攜帶了cookie後,服務器才可識別這次請求的用戶信息,方可響應回指定的用戶信息頁數據
#!/usr/bin/env python # -*- coding:utf-8 -*- import requests if __name__ == "__main__": #登錄請求的url(通過抓包工具獲取) post_url = ‘http://www.renren.com/ajaxLogin/login?1=1&uniqueTimestamp=201873958471‘ #創建一個session對象,該對象會自動將請求中的cookie進行存儲和攜帶 session = requests.session() #偽裝UA headers={ ‘User-Agent‘: ‘Mozilla/5.0 (Macintosh; Intel Mac OS X 10_12_0) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/69.0.3497.100 Safari/537.36‘, } formdata = { ‘email‘: ‘17701256561‘, ‘icode‘: ‘‘, ‘origURL‘: ‘http://www.renren.com/home‘, ‘domain‘: ‘renren.com‘, ‘key_id‘: ‘1‘, ‘captcha_type‘: ‘web_login‘, ‘password‘: ‘7b456e6c3eb6615b2e122a2942ef3845da1f91e3de075179079a3b84952508e4‘, ‘rkey‘: ‘44fd96c219c593f3c9612360c80310a3‘, ‘f‘: ‘https%3A%2F%2Fwww.baidu.com%2Flink%3Furl%3Dm7m_NSUp5Ri_ZrK5eNIpn_dMs48UAcvT-N_kmysWgYW%26wd%3D%26eqid%3Dba95daf5000065ce000000035b120219‘, } #使用session發送請求,目的是為了將session保存該次請求中的cookie session.post(url=post_url,data=formdata,headers=headers) get_url = ‘http://www.renren.com/960481378/profile‘ #再次使用session進行請求的發送,該次請求中已經攜帶了cookie response = session.get(url=get_url,headers=headers) #設置響應內容的編碼格式 response.encoding = ‘utf-8‘ #將響應內容寫入文件 with open(‘./renren.html‘,‘w‘) as fp: fp.write(response.text)
2.基於requests模塊的代理操作
- 什麽是代理
-
代理就是第三方代替本體處理相關事務。例如:生活中的代理:代購,中介,微商......
-
-
爬蟲中為什麽需要使用代理
-
一些網站會有相應的反爬蟲措施,例如很多網站會檢測某一段時間某個IP的訪問次數,如果訪問頻率太快以至於看起來不像正常訪客,它可能就會會禁止這個IP的訪問。所以我們需要設置一些代理IP,每隔一段時間換一個代理IP,就算IP被禁止,依然可以換個IP繼續爬取。
-
-
代理的分類:
-
正向代理:代理客戶端獲取數據。正向代理是為了保護客戶端防止被追究責任。
-
反向代理:代理服務器提供數據。反向代理是為了保護服務器或負責負載均衡。
-
-
免費代理ip提供網站
-
http://www.goubanjia.com/
-
西祠代理
-
快代理
-
代碼
#!/usr/bin/env python # -*- coding:utf-8 -*- import requests import random if __name__ == "__main__": #不同瀏覽器的UA header_list = [ # 遨遊 {"user-agent": "Mozilla/4.0 (compatible; MSIE 7.0; Windows NT 5.1; Maxthon 2.0)"}, # 火狐 {"user-agent": "Mozilla/5.0 (Windows NT 6.1; rv:2.0.1) Gecko/20100101 Firefox/4.0.1"}, # 谷歌 { "user-agent": "Mozilla/5.0 (Macintosh; Intel Mac OS X 10_7_0) AppleWebKit/535.11 (KHTML, like Gecko) Chrome/17.0.963.56 Safari/535.11"} ] #不同的代理IP proxy_list = [ {"http": "112.115.57.20:3128"}, {‘http‘: ‘121.41.171.223:3128‘} ] #隨機獲取UA和代理IP header = random.choice(header_list) proxy = random.choice(proxy_list) url = ‘http://www.baidu.com/s?ie=UTF-8&wd=ip‘ #參數3:設置代理 response = requests.get(url=url,headers=header,proxies=proxy) response.encoding = ‘utf-8‘ with open(‘daili.html‘, ‘wb‘) as fp: fp.write(response.content) #切換成原來的IP requests.get(url, proxies={"http": ""})
3.基於multiprocessing.dummy線程池的數據爬取
需求:爬取梨視頻的視頻信息,並計算其爬取數據的耗時
(1).普通爬取
%%time import requests import random from lxml import etree import re from fake_useragent import UserAgent #安裝fake-useragent庫:pip install fake-useragent url = ‘http://www.pearvideo.com/category_1‘ #隨機產生UA,如果報錯則可以添加如下參數: #ua = UserAgent(verify_ssl=False,use_cache_server=False).random #禁用服務器緩存: #ua = UserAgent(use_cache_server=False) #不緩存數據: #ua = UserAgent(cache=False) #忽略ssl驗證: #ua = UserAgent(verify_ssl=False) ua = UserAgent().random headers = { ‘User-Agent‘:ua } #獲取首頁頁面數據 page_text = requests.get(url=url,headers=headers).text #對獲取的首頁頁面數據中的相關視頻詳情鏈接進行解析 tree = etree.HTML(page_text) li_list = tree.xpath(‘//div[@id="listvideoList"]/ul/li‘) detail_urls = [] for li in li_list: detail_url = ‘http://www.pearvideo.com/‘+li.xpath(‘./div/a/@href‘)[0] title = li.xpath(‘.//div[@class="vervideo-title"]/text()‘)[0] detail_urls.append(detail_url) for url in detail_urls: page_text = requests.get(url=url,headers=headers).text vedio_url = re.findall(‘srcUrl="(.*?)"‘,page_text,re.S)[0] data = requests.get(url=vedio_url,headers=headers).content fileName = str(random.randint(1,10000))+‘.mp4‘ #隨機生成視頻文件名稱 with open(fileName,‘wb‘) as fp: fp.write(data) print(fileName+‘ is over‘)
(2).基於線程池的爬取
%%time import requests import random from lxml import etree import re from fake_useragent import UserAgent #安裝fake-useragent庫:pip install fake-useragent #導入線程池模塊 from multiprocessing.dummy import Pool #實例化線程池對象 pool = Pool() url = ‘http://www.pearvideo.com/category_1‘ #隨機產生UA ua = UserAgent().random headers = { ‘User-Agent‘:ua } #獲取首頁頁面數據 page_text = requests.get(url=url,headers=headers).text #對獲取的首頁頁面數據中的相關視頻詳情鏈接進行解析 tree = etree.HTML(page_text) li_list = tree.xpath(‘//div[@id="listvideoList"]/ul/li‘) detail_urls = []#存儲二級頁面的url for li in li_list: detail_url = ‘http://www.pearvideo.com/‘+li.xpath(‘./div/a/@href‘)[0] title = li.xpath(‘.//div[@class="vervideo-title"]/text()‘)[0] detail_urls.append(detail_url) vedio_urls = []#存儲視頻的url for url in detail_urls: page_text = requests.get(url=url,headers=headers).text vedio_url = re.findall(‘srcUrl="(.*?)"‘,page_text,re.S)[0] vedio_urls.append(vedio_url) #使用線程池進行視頻數據下載 func_request = lambda link:requests.get(url=link,headers=headers).content video_data_list = pool.map(func_request,vedio_urls) #使用線程池進行視頻數據保存 func_saveData = lambda data:save(data) pool.map(func_saveData,video_data_list) def save(data): fileName = str(random.randint(1,10000))+‘.mp4‘ with open(fileName,‘wb‘) as fp: fp.write(data) print(fileName+‘已存儲‘) pool.close() pool.join()
Python爬蟲之requests模塊(2)