九、web爬蟲講解2—urllib庫爬蟲—實戰爬取搜狗微信公衆號—抓包軟件安裝Fiddler4講解

時間  2019-11-08
標籤 web 爬蟲 講解 urllib 實戰 搜狗 微信 公衆號 抓包 軟件 安裝 fiddler4 fiddler 欄目 HTML 简体版
原文   原文鏈接
【百度雲搜索，搜各類資料:http://www.bdyss.com】
【搜網盤，搜各類資料:http://www.swpan.cn】

封裝模塊php

#!/usr/bin/env python
# -*- coding: utf-8 -*-
import urllib
from urllib import request
import json
import random
import re
import urllib.error
def hq_html(hq_url):
    """
    hq_html()封裝的爬蟲函數，自動啓用了用戶代理和ip代理
    接收一個參數url,要爬取頁面的url，返回html源碼
    """
    def yh_dl():    #建立用戶代理池
        yhdl = [
            'Mozilla/5.0 (Windows; U; Windows NT 6.1; en-us) AppleWebKit/534.50 (KHTML, like Gecko) Version/5.1 Safari/534.50',
            'Mozilla/5.0 (compatible; MSIE 9.0; Windows NT 6.1; Trident/5.0',
            'Mozilla/4.0 (compatible; MSIE 8.0; Windows NT 6.0; Trident/4.0)',
            'Mozilla/5.0 (Macintosh; Intel Mac OS X 10.6; rv:2.0.1) Gecko/20100101 Firefox/4.0.1',
            'Mozilla/5.0 (Windows NT 6.1; rv:2.0.1) Gecko/20100101 Firefox/4.0.1',
            'Opera/9.80 (Macintosh; Intel Mac OS X 10.6.8; U; en) Presto/2.8.131 Version/11.11',
            'Opera/9.80 (Windows NT 6.1; U; en) Presto/2.8.131 Version/11.11',
            'Mozilla/4.0 (compatible; MSIE 7.0; Windows NT 5.1; Maxthon 2.0)',
            'Mozilla/4.0 (compatible; MSIE 7.0; Windows NT 5.1; TencentTraveler 4.0)',
            'Mozilla/4.0 (compatible; MSIE 7.0; Windows NT 5.1)',
            'Mozilla/4.0 (compatible; MSIE 7.0; Windows NT 5.1; The World)',
            'Mozilla/4.0 (compatible; MSIE 7.0; Windows NT 5.1; 360SE)',
            'Mozilla/4.0 (compatible; MSIE 7.0; Windows NT 5.1; Avant Browser)',
            'Mozilla/4.0 (compatible; MSIE 7.0; Windows NT 5.1)',
            'Mozilla/5.0 (iPhone; U; CPU iPhone OS 4_3_3 like Mac OS X; en-us) AppleWebKit/533.17.9 (KHTML, like Gecko) Version/5.0.2 Mobile/8J2 Safari/6533.18.5',
            'User-Agent:Mozilla/5.0 (iPod; U; CPU iPhone OS 4_3_3 like Mac OS X; en-us) AppleWebKit/533.17.9 (KHTML, like Gecko) Version/5.0.2 Mobile/8J2 Safari/6533.18.5',
            'Mozilla/5.0 (iPad; U; CPU OS 4_3_3 like Mac OS X; en-us) AppleWebKit/533.17.9 (KHTML, like Gecko) Version/5.0.2 Mobile/8J2 Safari/6533.18.5',
            'Mozilla/5.0 (Linux; U; Android 2.3.7; en-us; Nexus One Build/FRF91) AppleWebKit/533.1 (KHTML, like Gecko) Version/4.0 Mobile Safari/533.1',
            'Opera/9.80 (Android 2.3.4; Linux; Opera Mobi/build-1107180945; U; en-GB) Presto/2.8.149 Version/11.10',
            'Mozilla/5.0 (Linux; U; Android 3.0; en-us; Xoom Build/HRI39) AppleWebKit/534.13 (KHTML, like Gecko) Version/4.0 Safari/534.13',
            'Mozilla/5.0 (BlackBerry; U; BlackBerry 9800; en) AppleWebKit/534.1+ (KHTML, like Gecko) Version/6.0.0.337 Mobile Safari/534.1+',
            'Mozilla/5.0 (compatible; MSIE 9.0; Windows Phone OS 7.5; Trident/5.0; IEMobile/9.0; HTC; Titan)',
            'UCWEB7.0.2.37/28/999',
            'NOKIA5700/ UCWEB7.0.2.37/28/999',
            'Openwave/ UCWEB7.0.2.37/28/999',
            'Mozilla/4.0 (compatible; MSIE 6.0; ) Opera/UCWEB7.0.2.37/28/999'
            ]
        thisua = random.choice(yhdl)                    #隨機獲取代理信息
        headers = ("User-Agent",thisua)                 #拼接報頭信息
        opener = urllib.request.build_opener()          #建立請求對象
        opener.addheaders=[headers]                     #添加報頭到請求對象
        urllib.request.install_opener(opener)           #將報頭信息設置爲全局，urlopen()方法請求時也會自動添加報頭

    def dai_li_ip(hq_url):    #建立ip代理池
        url = "http://http-webapi.zhimaruanjian.com/getip?num=1&type=2&pro=&city=0&yys=0&port=11&time=1&ts=0&ys=0&cs=0&lb=1&sb=0&pb=4&mr=1"
        if url:
            data = urllib.request.urlopen(url).read().decode("utf-8")
            data2 = json.loads(data)  # 將字符串還原它原本的數據類型
            # print(data2['data'][0])
            ip = str(data2['data'][0]['ip'])
            dkou = str(data2['data'][0]['port'])
            zh_ip = ip + ':' + dkou
            pat = "(\w*):\w*"
            rst = re.compile(pat).findall(hq_url)  #正則匹配獲取是http協議仍是https協議
            rst2 = rst[0]
            proxy = urllib.request.ProxyHandler({rst2: zh_ip})  # 格式化IP,注意，第一個參數，請求目標多是http或者https,對應設置
            opener = urllib.request.build_opener(proxy, urllib.request.HTTPHandler)  # 初始化IP
            urllib.request.install_opener(opener)  # 將代理IP設置成全局,當使用urlopen()請求時自動使用代理IP
        else:
            pass

    #請求
    try:
        dai_li_ip(hq_url) #執行代理IP函數
        yh_dl()     #執行用戶代理池函數

        data = urllib.request.urlopen(hq_url).read().decode("utf-8")
        return data
    except urllib.error.URLError as e:  # 若是出現錯誤
        if hasattr(e, "code"):  # 若是有錯誤代碼
            # print(e.code)  # 打印錯誤代碼
            pass
        if hasattr(e, "reason"):  # 若是有錯誤信息
            # print(e.reason)  # 打印錯誤信息
            pass

# a = hq_html('http://www.baid.com/')
# print(a)

實戰爬取搜狗微信公衆號html

#!/usr/bin/env python
# -*- coding: utf-8 -*-
import urllib.request
import fzhpach
import re
#抓取搜狗微信公衆號
#http://weixin.sogou.com/weixin?type=1&query=php&page=1
#type=1表示顯示公衆號
#type=2表示抓取文章
#query=關鍵詞
#page=頁碼

gjc = '火鍋'
gjc = urllib.request.quote(gjc)                 #將關鍵詞轉碼成瀏覽器認識的字符，默認網站不能是中文
url = 'http://weixin.sogou.com/weixin?type=1&query=%s&page=1' %(gjc)
html = fzhpach.hq_html(url)                                     #使用咱們封裝的爬蟲模塊
pat = '微信號：<label name="em_weixinhao">(\w*)</label>'
rst = re.compile(pat).findall(html)  #正則獲取公衆號
print(rst)

#返回
#['cqhuoguo1', 'qkmjscj888', 'cdsbcdhs', 'zk4538111', 'lamanannv', 'ctm2813333', 'cslhg2016', 'gh_978a858b478f', 'CCLWL0431', 'yuhehaixian']

抓包教程python

首先安裝Fiddler4web

image

軟件界面說明json

image

清除請求api

image

設置抓包瀏覽器瀏覽器

image

這樣設置好後，這個瀏覽器訪問的網址就會在抓包軟件裏看到信息了安全

設置抓取https協議的網站服務器

image

image

導出證書到桌面微信

image

將證書安裝到瀏覽器

image

能夠看到軟件已經獲取到https網站了

image

疑難問題解決：

有些可能已經按照流程在feiddler中設置好了https抓包，但死活抓不了

（1）首先，看看火狐瀏覽器的配置，是否是下方「爲全部協議使用相同代理」的地方沒有勾選上，若是是，請勾選上。

image

有一部分作到這一步應該能解決沒法抓https的問題。若是還不行，請繼續往下看。

通常這個時候，還不行，應該就是你的證書問題了，有些可能會問，我是按照正常流程導出並安裝的證書，也會有問題？

對的，就是這麼奇怪。

（2）接下來，請在下面這個地方輸入certmgr.msc並回車，打開證書管理。

image

打開後以下所示：

image

請點擊操做–查找證書，以下所示：

image

而後輸入fiddler查找全部相關證書，以下所示：

image

能夠看到，咱們找到一個，您可能會找到多個，沒關係，有多少個刪多少個，分別右鍵–刪除這些證書，以下所示：

image

全刪以後，這一步完成。

（3）再接下來，打開火狐瀏覽器，進入選項-高級-證書-查看證書，而後找以DO_NOT開頭的關於Fiddler的證書，以字母排序的，因此你能夠很快找到。以下所示，咱們找到兩個，不用多說，右鍵，而後所有依次刪除。你可能找到一個或多個，反正找到多少個刪多少個就行，另外，特別注意，請如圖中【我的、服務器、證書機構、其餘】等標籤依次查找，以避免遺漏，切記切記！

image

這些全刪以後，這一步完成，如今證書已經所有清理了，進入下一步。

（4）下載 FiddlerCertMaker.exe，能夠去官網找，如不想麻煩，直接下載我提供的，連接以下：

連接: https://pan.baidu.com/s/1bQBhxG 密碼: cu85

下載了這個以後，直接打開，無論出現什麼錯誤，直接忽略，直到出現以下界面爲止：

image

而後點擊肯定，關掉它。

（5）有了證書以後，請重啓Fiddler（關掉再開），重啓以後，訪問https的網站，好比淘寶首頁，有可能成功了，但你也有可能會發現以下錯誤：

「你的鏈接並不安全」 等相似提示

見到這裏，你應該開心，離成功近了。

（6）果斷的，打開fiddler，「Tools–Fiddler Options–HTTPS」，而後把下圖中一樣的地方勾上（注意一致），而後點擊actions，而後先點擊Trust Root…，而後，再點擊Export Root…，此時，導出成功的話，在桌面就有你的證書了。務必注意：這一步成功的話，把第（7）步跳過，不要作了，直接進入第（8）步，如失敗，請繼續第（7步）。

image

（7）務必注意：上一步成功的話，把這一步跳過，不要作了。若是，你在導出的時候出現：creation of the root certificate was not located等錯誤，不要慌。接下來在cmd命令行中進入Fiddler安裝目錄，好比個人是C盤，因此進入以下圖所示Fiddler2目錄，而後直接複製下方make那一行代碼，而後直接cmd中運行，出現以下所示succeeded提示，出現這一步提示以後，再按步驟（6）的方法導出證書，就能成功了：

image

makecert.exe -r -ss my -n 「CN=DO_NOT_TRUST_FiddlerRoot, O=DO_NOT_TRUST, OU=Created by http://www.fiddler2.com」 -sky signature -eku 1.3.6.1.5.5.7.3.1 -h 1 -cy authority -a sha1 -m 120 -b 09/05/2012

（8）好，證書導入到桌面後，請打開火狐瀏覽器，而後進入選項-高級-證書-查看證書-導入-選擇剛導出的桌面的證書-肯定。

（9）隨後，爲了保險，Fiddler重啓，火狐瀏覽器也重啓一下，而後開始抓HTTPS的包，此時你會發現「你的鏈接並不安全」 等相似提示已經消失，而且已經可以抓包了。

相關文章
相關標籤/搜索
每日一句
    每一个你不满意的现在，都有一个你没有努力的曾经。
本站公眾號
   歡迎關注本站公眾號,獲取更多信息
聯繫我們 最近搜索 最新文章 沪ICP备13005482号-10 MyBatis教程 SQL 教程 MySQL教程 Java 教程 Thymeleaf 教程 Hibernate教程 Spring教程 Redis教程