一.今日内容

  • session处理cookie
  • proxies参数设置请求代理ip
  • 基于线程池的数据爬取

二.回顾

  • xpath的解析流程
  • bs4的解析流程
  • 常用xpath表达式
  • 常用bs4解析方法

三.引入

有些时候，我们在使用爬虫程序去爬取一些用户相关信息的数据（爬取张三“人人网”个人主页数据）时，如果使用之前requests模块常规操作时，往往达不到我们想要的目的，例如：

#!/usr/bin/env python

# -*- coding:utf-8 -*-

import requests

if __name__ == "__main__":

    #张三人人网个人信息页面的url

    url = 'http://www.renren.com/289676607/profile'

   #伪装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',

    }

    #发送请求，获取响应对象

    response = requests.get(url=url,headers=headers)

    #将响应内容写入文件

    with open('./renren.html','w',encoding='utf-8') as fp:

        fp.write(response.text)

1.基于requests模块的cookie操作

- 结果发现，写入到文件中的数据，不是张三个人页面的数据，而是人人网登陆的首页面，why？首先我们来回顾下cookie的相关概念及作用：

　　- cookie概念：当用户通过浏览器首次访问一个域名时，访问的web服务器会给客户端发送数据，以保持web服务器与客户端之间的状态保持，这些数据就是cookie。

　　- cookie作用：我们在浏览器中，经常涉及到数据的交换，比如你登录邮箱，登录一个页面。我们经常会在此时设置30天内记住我，或者自动登录选项。那么它们是怎么记录信息的呢，答案就是今天的主角cookie了，Cookie是由HTTP服务器设置的，保存在浏览器中，但HTTP协议是一种无状态协议，在数据交换完毕后，服务器端和客户端的链接就会关闭，每次交换数据都需要建立新的链接。就像我们去超市买东西，没有积分卡的情况下，我们买完东西之后，超市没有我们的任何消费信息，但我们办了积分卡之后，超市就有了我们的消费信息。cookie就像是积分卡，可以保存积分，商品就是我们的信息，超市的系统就像服务器后台，http协议就是交易的过程。

- 经过cookie的相关介绍，其实你已经知道了为什么上述案例中爬取到的不是张三个人信息页，而是登录页面。那应该如何抓取到张三的个人信息页呢？

思路：

　　1.我们需要使用爬虫程序对人人网的登录时的请求进行一次抓取，获取请求中的cookie数据

　　2.在使用个人信息页的url进行请求时，该请求需要携带 1 中的cookie，只有携带了cookie后，服务器才可识别这次请求的用户信息，方可响应回指定的用户信息页数据

#!/usr/bin/env python

# -*- coding:utf-8 -*-

import requests

if __name__ == "__main__":

    #登录请求的url（通过抓包工具获取）

    post_url = 'http://www.renren.com/ajaxLogin/login?1=1&uniqueTimestamp=201873958471'

    #创建一个session对象，该对象会自动将请求中的cookie进行存储和携带

    session = requests.session()

   #伪装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发送请求，目的是为了将session保存该次请求中的cookie

    session.post(url=post_url,data=formdata,headers=headers)

    get_url = 'http://www.renren.com/960481378/profile'

    #再次使用session进行请求的发送，该次请求中已经携带了cookie

    response = session.get(url=get_url,headers=headers)

    #设置响应内容的编码格式

    response.encoding = 'utf-8'

    #将响应内容写入文件

    with open('./renren.html','w') as fp:

        fp.write(response.text)

2.基于requests模块的代理操作

  • 什么是代理

    • 代理就是第三方代替本体处理相关事务。例如：生活中的代理：代购，中介，微商......

  • 爬虫中为什么需要使用代理

    • 一些网站会有相应的反爬虫措施，例如很多网站会检测某一段时间某个IP的访问次数，如果访问频率太快以至于看起来不像正常访客，它可能就会会禁止这个IP的访问。所以我们需要设置一些代理IP，每隔一段时间换一个代理IP，就算IP被禁止，依然可以换个IP继续爬取。

  • 代理的分类：

    • 正向代理：代理客户端获取数据。正向代理是为了保护客户端防止被追究责任。

    • 反向代理：代理服务器提供数据。反向代理是为了保护服务器或负责负载均衡。

  • 免费代理ip提供网站

    • http://www.goubanjia.com/

    • 西祠代理

    • 快代理

代码

#!/usr/bin/env python

# -*- coding:utf-8 -*-

import requests

import random

if __name__ == "__main__":

    #不同浏览器的UA

    header_list = [

        # 遨游

        {"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'}

    ]

    #随机获取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'

    #参数3：设置代理

    response = requests.get(url=url,headers=header,proxies=proxy)

    response.encoding = 'utf-8'

    with open('daili.html', 'wb') as fp:

        fp.write(response.content)

    #切换成原来的IP

    requests.get(url, proxies={"http": ""})

3.基于multiprocessing.dummy线程池的数据爬取

需求：爬取梨视频的视频信息，并计算其爬取数据的耗时

(1).普通爬取

%%time

import requests

import random

from lxml import etree

import re

from fake_useragent import UserAgent

#安装fake-useragent库:pip install fake-useragent

url = 'http://www.pearvideo.com/category_1'

#随机产生UA,如果报错则可以添加如下参数：

#ua = UserAgent(verify_ssl=False,use_cache_server=False).random

#禁用服务器缓存：

#ua = UserAgent(use_cache_server=False)

#不缓存数据：

#ua = UserAgent(cache=False)

#忽略ssl验证：

#ua = UserAgent(verify_ssl=False)

ua = UserAgent().random

headers = {

    'User-Agent':ua

}

#获取首页页面数据

page_text = requests.get(url=url,headers=headers).text

#对获取的首页页面数据中的相关视频详情链接进行解析

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' #随机生成视频文件名称

    with open(fileName,'wb') as fp:

        fp.write(data)

        print(fileName+' is over')

(2).基于线程池的爬取

%%time

import requests

import random

from lxml import etree

import re

from fake_useragent import UserAgent

#安装fake-useragent库:pip install fake-useragent

#导入线程池模块

from multiprocessing.dummy import Pool

#实例化线程池对象

pool = Pool()

url = 'http://www.pearvideo.com/category_1'

#随机产生UA

ua = UserAgent().random

headers = {

    'User-Agent':ua

}

#获取首页页面数据

page_text = requests.get(url=url,headers=headers).text

#对获取的首页页面数据中的相关视频详情链接进行解析

tree = etree.HTML(page_text)

li_list = tree.xpath('//div[@id="listvideoList"]/ul/li')

detail_urls = []#存储二级页面的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 = []#存储视频的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)

#使用线程池进行视频数据下载

func_request = lambda link:requests.get(url=link,headers=headers).content

video_data_list = pool.map(func_request,vedio_urls)

#使用线程池进行视频数据保存

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+'已存储')

pool.close()

pool.join()

最新文章

  1. 【67测试20161116】【数论】【DP】【思维】
  2. (原创)Louis Aston Knight 的家(摄影，欣赏)
  3. JQuery之正则表达式
  4. jquery 实现层级下拉框联动效果 代码
  5. springMVC部署
  6. Jordan Lecture Note-1: Introduction
  7. canvas动态小球重叠效果
  8. [编织消息框架][设计协议]优化long,int转换
  9. 使用htmlparse爬虫技术爬取电影网页的全部下载链接
  10. When Startup Disk is Full
  11. ThreadLocal的简单使用和实现原理
  12. MVC5+EF6 完整教程17--升级到EFCore2.0(转)
  13. Kotlin入门(24)如何自定义视图
  14. nrm 使用
  15. java，javascript中的url编码
  16. Windows 通过命令行设置固定ip地址
  17. 基于ubuntu搭建 WordPress 个人博客
  18. Atitit 计算word ppt文档的页数
  19. “Info.plist” couldn’t be removed
  20. 问题记录 | PyLint not recognizing cv2 members

热门文章

  1. 简单的IDEA破解到2099年
  2. SDUT OJ 数据结构实验之串三：KMP应用
  3. 如何让ie8地址栏下拉框里不显示历史记录和收藏夹
  4. Wormholes 虫洞 BZOJ 1715 spfa判断负环
  5. echart使用与后台交互
  6. js中自己实现bind函数的方式
  7. ZOJ - 2401 水DP
  8. linux下安装软件的方法（mariadb）
  9. python--交互器，编译器
  10. vim的多窗口功能与环境参数设置