爬虫

Anaconda

可视化工具

- 启动：jupyter notebook  
  - 测试安装是否成功：打开cmd窗口，录入jupyter notebook指令，如果没有显示找不到命令且没有报错即可表示安装成功！

- 介绍：
　　- anaconda是一个集成环境（数据分析+机器学习）
　　- 提供了一个叫jupyter的可视化工具（基于浏览器）

jupyter的基本使用

快捷键

- 快捷键
　　- 插入cell：a，b
　　- 删除：x
　　— 执行：shift+enter
　　— 切换cell的模式：y，m
　　　　- cell分为两种模式
　　　　　　- code：编码
　　　　　　- markdown：编写文本（必须）
　　- tab：自动补全
　　— 打开帮助文档：shift+tab

爬虫

爬虫：
- 就是通过编写程序模拟浏览器上网，然后让其去互联网中爬取数据的过程
爬虫的分类
- 通用爬虫：爬取一整张页面源码数据。搜索引擎（抓取系统==》内部封装的一套爬虫程序）重点使用的是该种形式的爬虫。
- 聚焦爬虫：抓取的是页面中指定的局部数据。
- 增量式爬虫：监测网站数据更新的情况。抓取的是网站最新更新出来的数据。
爬虫安全性的探究
- 风险所在
  - 爬虫干扰了被访问网站的正常运营；
  - 爬虫抓取了受到法律保护的特定类型的数据或信息
- 如何规避风险
  - 严格遵守网站设置的robots协议；
  - 在规避反爬虫措施的同时，需要优化自己的代码，避免干扰被访问网站的正常运行；
  - 在使用、传播抓取到的信息时，应审查所抓取的内容，如发现属于用户的个人信息、隐私或者他人的商业秘密的，应及时停止并删除
反爬机制：应用在网站中
反反爬策略：应用在爬虫程序中
第一个反爬机制：
- robots协议：纯文本的协议
  - 特点：防君子不防小人

反爬机制和其对应的反反爬策略分别是

robots协议
UA监测

http和https

http&https
什么是http协议
- 就是服务器端和客户端进行数据交互的某种形式
https就是安全（数据加密）的http协议
常用的头信息
- user-agent：请求载体的身份标识
- Connection：‘close’ # close建立链接之后马上断开
- content-type
https的加密方式
- 对称秘钥加密
- 非对称秘钥加密
- 证书秘钥加密（https）

requests模块

requests模块
概念：基于网络请求的模块
作用：用来模拟浏览器发请求，从而实现爬虫
环境安装：pip install requests
编码流程：
- 指定url
- 发起请求
- 获取响应数据
- 持久化存储
爬取搜狗首页的页面源码数据

获取数据（通用爬虫）

import requests
#1.指定url
url = 'https://www.sogou.com/'
#2.请求发送:get返回的是一个响应对象
response = requests.get(url=url)
#3.获取响应数据:text返回的是字符串形式的响应数据
page_text = response.text
#4.持久化存储
with open('./sogou.html','w',encoding='utf-8') as fp:
fp.write(page_text)

简易网页采集器（聚焦爬虫）

请求动态参数

乱码问题
- response.encoding = 'xxx'
数据丢失
- 反爬机制：UA检测
- 反反爬策略：UA伪装

有问题版

url = 'https://www.sogou.com/web'
#请求参数的动态化
wd = input('enter a key word:')
params = {
    'query':wd
}
response = requests.get(url=url,params=params)
page_text = response.text
fileName = wd+'.html'
with open(fileName,'w',encoding='utf-8') as fp:
    fp.write(page_text)
print(fileName,'爬取成功！')

View Code

完整版

#UA伪装操作
url = 'https://www.sogou.com/web'
#请求参数的动态化
wd = input('enter a key word:')
params = {
    'query':wd
}

#UA伪装
headers = {
    'User-Agent':'Mozilla/5.0 (Windows NT 6.1; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/73.0.3683.86 Safari/537.36'
}
response = requests.get(url=url,params=params,headers=headers)

#将响应数据的编码格式手动进行指定
response.encoding = 'utf-8'

page_text = response.text
fileName = wd+'.html'
with open(fileName,'w',encoding='utf-8') as fp:
    fp.write(page_text)
print(fileName,'爬取成功！')

动态加载数据（增量式爬虫）

动态加载的数据

通过另一个网络请求请求到的数据
爬取豆瓣电影中动态加载出的电影详情数据

import requests
url = 'https://movie.douban.com/j/chart/top_list'
#参数动态化
params = {
    'type': '5',
    'interval_id': '100:90',
    'action': '',
    'start': '0',
    'limit': '200',
}
#UA伪装
headers = {
    'User-Agent':'Mozilla/5.0 (Windows NT 6.1; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/73.0.3683.86 Safari/537.36'
}
response = requests.get(url=url,params=params,headers=headers)
#json()返回的是序列化好的对象
movie_list = response.json()
for movie in movie_list:
    print(movie['title'],movie['score'])

总结：对一个陌生的网站进行数据爬取的时候，首先要确定的一点就是爬取的数据是否为动态加载出来的

是:需要通过抓包工具捕获到动态加载数据对应的数据包，从中提取出url和请求参数。
不是：直接对浏览器地址栏的url发起请求即可

如何检测爬取的数据是不是动态加载出来的？

通过抓包工具进行局部搜索就可以验证数据是否为动态加载
- 搜索到：不是动态加载
- 搜索不到：是动态加载
  - 如何定位动态加载的数据在哪呢？
    - 通过抓包工具进行全局搜索进行定位

post 和get

get默认数据： params

post默认数据：data

爬取肯德基的餐厅位置信息http://www.kfc.com.cn/kfccda/storelist/index.aspx

import requests
url = 'http://www.kfc.com.cn/kfccda/ashx/GetStoreList.ashx?op=keyword'
data = {
    'cname': '',
    'pid': '',
    'keyword': '上海',
    'pageIndex': '1',
    'pageSize': '10',
}
headers={
    'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/76.0.3809.132 Safari/537.36'
}
a=requests.post(url=url,data=data,headers=headers).json()
for dic in a['Table1']:
    print(dic['addressDetail'])

需求 https://www.fjggfw.gov.cn/Website/JYXXNew.aspx 福建省公共资源交易中心

提取内容:

工程建设中的中标结果信息/中标候选人信息

完整的html中标信息
第一中标候选人
中标金额
中标时间
其它参与投标的公司

实现思路

确认爬取的数据都是动态加载出来的
在首页中捕获到ajax请求对应的数据包，从该数据包中提取出请求的url和请求参数
对提取到的url进行请求发送，获取响应数据（json）
从json串中提取到每一个公告对应的id值
将id值和中标信息对应的url进行整合，进行请求发送捕获到每一个公告对应的中标信息数据

post_url = 'https://www.fjggfw.gov.cn/Website/AjaxHandler/BuilderHandler.ashx'
headers = {
    'User-Agent':'Mozilla/5.0 (Windows NT 6.1; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/73.0.3683.86 Safari/537.36',
    'Cookie': '_qddac=4-3-1.4euvh3.x4wulp.k1hj8mnw; ASP.NET_SessionId=o4xkycpib3ry5rzkvfcamxzk; Hm_lvt_94bfa5b89a33cebfead2f88d38657023=1570520304; __root_domain_v=.fjggfw.gov.cn; _qddaz=QD.89mfu7.7kgq8w.k1hj8mhg; _qdda=4-1.4euvh3; _qddab=4-x4wulp.k1hj8mnw; _qddamta_2852155767=4-0; _qddagsx_02095bad0b=2882f90558bd014d97adf2d81c54875229141367446ccfed2b0c8913707c606ccf30ec99a338fed545821a5ff0476fd6332b8721c380e9dfb75dcc00600350b31d85d17d284bb5d6713a887ee73fa35c32b7350c9909379a8d9f728ac0c902e470cb5894c901c4176ada8a81e2ae1a7348ae5da6ff97dfb43a23c6c46ec8ec10; Hm_lpvt_94bfa5b89a33cebfead2f88d38657023=1570520973'
}
data = {
    'OPtype': 'GetListNew',
    'pageNo': '1',
    'pageSize': '10',
    'proArea': '-1',
    'category': 'GCJS',
    'announcementType': '-1',
    'ProType': '-1',
    'xmlx': '-1',
    'projectName': '',
    'TopTime': '2019-07-10 00:00:00',
    'EndTime': '2019-10-08 23:59:59',
    'rrr': '0.7293828344656237',
}
post_data = requests.post(url=post_url,headers=headers,data=data).json()
for dic in post_data['data']:
    _id = int(dic['M_ID'])
    detail_url = 'https://www.fjggfw.gov.cn/Website/AjaxHandler/BuilderHandler.ashx?OPtype=GetGGInfoPC&ID={}&GGTYPE=5&url=AjaxHandler%2FBuilderHandler.ashx'.format(_id)
    company_data = requests.get(url=detail_url,headers=headers).json()['data']
    company_str = ''.join(company_data)
    print(company_str)

小结：

1.爬虫在使用场景中的分类，且每种分类的特性分别是什么？
- 通用爬虫
- 聚焦爬虫
- 增量式爬虫：监测
2.列举你目前所知的反爬机制和其对应的反反爬策略分别是什么？
- robots协议
- UA监测
3.如何判定爬取的数据是否为动态加载的数据？如何捕获到动态加载的数据？
- 通过抓包工具进行局部搜索就可以验证数据是否为动态加载
- 搜索到：不是动态加载
- 搜索不到：是动态加载
  - 如何定位动态加载的数据在哪呢？
    - 通过抓包工具进行全局搜索进行定位

4.在requests中如何实现参数动态化和UA伪装？
- params/data
- headers
5.get和post方法的常用参数分别是什么，各自的作用是什么？
- url
- headers
- params/data
6.简述https的加密方式？
- 证书秘钥加密

posted @ 2019-10-08 09:59 驰念阅读(596) 评论(0) 编辑收藏举报

会员力量，点亮园子希望

刷新页面返回顶部

陌维

爬虫