06.Python網絡爬蟲之requests模塊（2）

今日總結

• session處理cookie
• proxies參數設置請求代理ip
• 基於線程池的數據爬取

知識點回顧

• xpath的解析流程
• bs4的解析流程
• 經常使用xpath表達式
• 經常使用bs4解析方法

引入

有些時候，咱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」我的主頁數據）時，若是使用以前requests模塊常規操做時，每每達不到咱們想要的目的，例如：

#!/usr/bin/env python # -*- coding:utf-8 -*- import requests if __name__ == "__main__": #張三人人網我的信息頁面的url url = 'http://www.renren.com/289676607/profile' #假裝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)

 

一.基於requests模塊的cookie操做

    - 結果發現，寫入到文件中的數據，不是張三我的頁面的數據，而是人人網登錄的首頁面，why？首先咱們來回顧下cookie的相關概念及做用：

　　　　- cookie概念：當用戶經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做用：咱們在瀏覽器中，常常涉及到數據的交換，好比你登陸郵箱，登陸一個頁面。咱們常常會在此時設置30天內記住我，或者自動登陸選項。那麼它們是怎麼記錄信息的呢，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連接就會關閉，每次交換數據都須要創建新的連接。就像咱們去超市買東西，沒有積分卡的狀況下，咱們買完東西以後，超市沒有咱們的任何消費信息，但咱們辦了積分卡以後，超市就有了咱們的消費信息。cookie就像是積分卡，能夠保存積分，商品就是咱們的信息，超市的系統就像服務器後臺，http協議就是交易的過程。

- 通過cookie的相關介紹，其實你已經知道了爲何上述案例中爬取到的不是張三我的信息頁，而是登陸頁面。那應該如何抓取到張三的我的信息頁呢？

　　思路：

　　　　1.咱們須要使用爬蟲程序對人人網的登陸時的請求進行一次抓取，獲取請求中的cookie數據

　　　　2.在使用我的信息頁的url進行請求時，該請求須要攜帶 1 中的cookie，只有攜帶了cookie後，服務器纔可識別此次請求的用戶信息，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__": #登陸請求的url（經過抓包工具獲取） post_url = 'http://www.renren.com/ajaxLogin/login?1=1&uniqueTimestamp=201873958471' #建立一個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() #假裝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，目的是爲了將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)

二.基於requests模塊的代理操做

• 什麼是代理

  • 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......

• 爬蟲中爲何須要使用代理

  • 一些網站會有相應的反爬蟲措施，例如不少網站會檢測某一段時間某個IP的訪問次數，若是訪問頻率太快以致於看起來不像正常訪客，它可能就會會禁止這個IP的訪問。因此咱們須要設置一些代理IP，每隔一段時間換一個代理IP，就算IP被禁止，依然能夠換個IP繼續爬取。

• 代理的分類：

  • 正向代理：代理客戶端獲取數據。正向代理是爲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。反向代理是爲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__": #不一樣瀏覽器的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"} ] #不一樣的代理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": ""})

   

三.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
  • 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,若是報錯則能夠添加以下參數： #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連接進行解析 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')

     

  • 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連接進行解析 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()