爬虫基础1

爬虫介绍

爬虫是什么？

　　-网页蜘蛛，网络机器人，spider
　　-在互联网中通过程序自动的抓取数据的过程
　　-根上：使用程序模拟发送http请求---》得到http响应---》把响应的数据解析出来---》存储起来

做爬虫需要掌握的技术

web端爬虫(网页)

　　-抓包：
　　　　-抓包工具---》浏览器，charles，fiddler。。。
　　-发送http请求的模块
　　　　-requests：同步的---》不仅仅做爬虫用调用第三方api就可以使用
　　　　-request-html：
　　　　-aiohttp：异步的http模块
　　-解析库：http响应---》可能是xml，html，json，文件，图片。。。---》响应中解析出想要的数据
　　　　-beautifulsoup4---》xml/html
　　　　-lxml--->xml/html
　　　　-selenium--->请求加解析（本质是模拟浏览器）
　　　　-json
　　-存储：mysql，redis，es，mongodb。。。。
　　　　-pymysql:aiomysql
　　　　-redis:aioredis
　　　　-elasticsearch.py
　　　　-py-mongo
　　-移动端爬虫(app)
　　　　-抓包，发请求，解析，存储跟web一样的
　　　　-对app进行反编译---》jadx
　　　　　　-安卓：java写的app---》把app反编译成java---》懂java---》看懂逻辑---》使用python模拟这个过程
-hook技术---》frida

　　　　-c语言写加密---》用java调用c语言的加密方式---》xx.so-->动态链接库文件
　　　　-反编译 so文件---》IDA---》反编译成汇编和c
　　　　-动态调试
　　　　-python模拟这个过程即可

　　　-反扒
　　　　-请求头反扒：user-agent，referfer：上一个访问的地址是什么
　　　　-反扒：无限调试
　　　　-封ip---》ip代理池
　　　　-封账号---》cookie池
　　　　-js加密---》js逆向

动态链接库

百度，谷歌搜索引擎本质其实就是个大爬虫---》不停的在互联网上爬取页面---》存到自己的库中

使用搜索的时候---》去百度的数据库中查询相关的关键字----》显示在页面上---》当我们点击某一个---》真正的跳转到真正的搜索到的页面

百度做爬取时---》对动态页面的爬取权重要低

seo优化---》保证我们公司的网站通过关键字搜索，显示在第一个

-伪静态---》
sem：付费买关键词

requests模块的快速使用

介绍：使用requests可以模拟浏览器的请求，比起之前用到的urllib(内置模块)，requests模块的api更加便捷（本质就是封装了urllib3）

注意：requests库发送请求将网页内容下载下来以后，并不会执行js代码，这需要我们自己分析目标站点然后发起新的request请求

　　-混合项目---》拿回来的页面---带数据
　　-分离项目---》拿回来的页面--》数据是空的--》再分析接口---》再发请求才能拿到真正的数据

携带请求参数

get请求携带请求参数

方式一：直接拼在后面

res=requests.get('https://www.cnblogs.com/?ordering=-id&search=课程')
# 方式二：使用params参数
res=requests.get('https://www.cnblogs.com/',params={'ordering':'-id','search':'课程'})
print(res.text)

url 编码和解码

%E7%BE%8E%E5%A5%B3 不是乱码---》url编码了

url解码，将unquote中的值进行解码：

　　res=parse.unquote('%E7%BE%8E%E5%A5%B3')
　　print(res)

url编码，将unquote中的值进行编码：

　　res=parse.quote('刷币') # %E5%88%B7%E5%B8%81
　　print(res)

携带请求头

请求头中可能有的：User-Agent，referer（上一页），cookie，Host

header = {
'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/116.0.0.0 Safari/537.36'
}

res = requests.get('https://www.sogou.com/web?query=%E7%BE%8E%E5%A5%B3', headers=header)

res=requests.request('get','url',headers=header)

print(res.text)

发送post请求

请求体中：两种方式：data={}--->编码格式 urlencoded---》key=value&key=value json={}---》编码格式是json
res=requests.post('url')

模拟登录

data = {
    'username': '111@qq.com',
    'password': '123',
    'captcha': 'xxxx',
    'ref': 'http://www.aa7a.cn/',
    'act': 'act_login',
}
res = requests.post('http://www.aa7a.cn/user.php', data=data)
print(res.text)

携带cookie

请求携带cookie 1 请求头中 2 带在cookie参数中

方式一：请求头中携带

header = {
'Cookie': 'cto_bundle=_DpLll9WcDY3UCUyRlBnWDZtZEp5MVFZZHVHeExtdmtwNjVVYkh6SUglMkZoVmFaSWFtc1JrZWo0aVRURzdOeUhTUHpTekslMkJ0RjRnOXhqOWhXM0piM0hXVFlVVk9MUGpNWFdCS0dveFBFSEhHVmJRV01uVWZ1bjloTU9YY2VwQWF2NWxFQWhkZnM5TERxMVlUUkt4WUo2dWR4QkZOMmclM0QlM0Q; _jzqx=1.1691985966.1691985966.1.jzqsr=aa7a%2Ecn|jzqct=/.-; ECS_ID=a9bd0486ba5b0f2f65637f64719d72e75add4995; ECS[visit_times]=8; _jzqa=1.2593057364546894000.1672632545.1691985966.1698896326.9; _jzqc=1; _jzqy=1.1672632545.1698896326.1.jzqsr=baidu.-; _jzqckmp=1; Hm_lvt_c29657ca36c6c88e02fed9a397826038=1698896327; mediav=%7B%22eid%22%3A%22179539%22%2C%22ep%22%3A%22%22%2C%22vid%22%3A%22%22%2C%22ctn%22%3A%22%22%2C%22vvid%22%3A%22%22%2C%22_mvnf%22%3A1%2C%22_mvctn%22%3A0%2C%22_mvck%22%3A1%2C%22_refnf%22%3A0%7D; __xsptplus422=422.9.1698896372.1698896372.1%234%7C%7C%7C%7C%7C%23%23%23; Qs_lvt_201322=1686282645%2C1691979017%2C1691979065%2C1698896326%2C1698896643; __xsptplusUT_422=1; _qzjc=1; ECS[username]=616564099%40qq.com; ECS[user_id]=61399; ECS[password]=4a5e6ce9d1aba9de9b31abdf303bbdc2; _qzjb=1.1698896326296.7.0.0.0; _qzjto=7.1.0; _qzja=1.1154697895.1672632545402.1691985966161.1698896326296.1698896649094.1698896661921.616564099%2540qq_com.1.0.23.8; Hm_lpvt_c29657ca36c6c88e02fed9a397826038=1698896662; _jzqb=1.18.10.1698896326.1; Qs_pv_201322=1719398001187156200%2C1811149594340033000%2C1691949923920640300%2C4523589869790951000%2C2247541305320030700'
}
res = requests.get('http://www.aa7a.cn/',headers=header)
print('616564099@qq.com' in res.text) # 没有携带cookie 访问

案例二：自动点赞

方式一：

data = {
'linkId': '40480287'
}
header = {
'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/116.0.0.0 Safari/537.36',
'Cookie': 'deviceId=web.eyJ0eXAiOiJKV1QiLCJhbGciOiJIUzI1NiJ9.eyJqaWQiOiIwNGZlMmMxYy00Mjc4LTRlMzMtYjM5OS0zNTI0NTNiNzQ3ZDkiLCJleHBpcmUiOiIxNjgxNDQyNDI2ODUxIn0.k41tJ-jL5Y6TO4BabrtzUv8N35eLrfqfdvBdXEmtqxE; __snaker__id=kNv5rzTfGa3xsaqh; YD00000980905869%3AWM_TID=slUolCNNTm5FRQRAEVaBfKlPbFQL7kFG; Hm_lvt_03b2668f8e8699e91d479d62bc7630f1=1698896819; gdxidpyhxdE=4hhv3p0G9z1GUt%2BbmquM7o8uxAnU21e5Xv0hEnOwniLE617vQyijd%2FRfrVM3c8u%2Bb%2BSzE%2B612mU4JXDi6SwQC6tAIHEf9RPVR%2FZQB9AH0V4gazYRMoMlmhHeYBgfjGfe%2BhbYbX3x%2BdKE2dQUo1tJuYMCZr%2B8QdQapLAChI%5CbpM%2BhkIne%3A1698897721336; YD00000980905869%3AWM_NI=817ayMhIabFSD%2BFdoaOokCH5%2FLBINb0apxw2XgvsY2zLJrWi0bgIB1eE%2FAPrdZIt4NVgofeOgPy92Y73HLGf70hYzYHH%2BKz%2FlrsYT9j4KFUbo6Vx4OY6R6o0nZ7HJYrTYm0%3D; YD00000980905869%3AWM_NIKE=9ca17ae2e6ffcda170e2e6eeccea7c97bff99ad04eb3bc8bb6c44f839a8e83d463b889f8b9c25ebc868ad5f52af0fea7c3b92afceff982fc47ac97af83c55988f58a85ee6b8db1a5a4cb3fed948eaacd6af4bfc099f63a9cb9ba94dc3aba948693d663f4bea9aac13ba79be1a2d37aa8868795b74696b9a187e845a590b7dab153f5ed88adc66ef5f0a8baf9538c98e5acf925b0aebdbad733aaec85a7d86aadea9a99b7459bea9ed7ee3cae86f9a9c953b28c978eb337e2a3; token=eyJ0eXAiOiJKV1QiLCJhbGciOiJIUzI1NiJ9.eyJqaWQiOiJjZHVfNTMyMDcwNzg0NjAiLCJleHBpcmUiOiIxNzAxNDg4ODM3Nzg0In0.3zOo3zk8OEO2kmYOX2ExY_oc6wm3eeM0y9VUyA4er-w; Hm_lpvt_03b2668f8e8699e91d479d62bc7630f1=1698896838'
}

res = requests.post('https://dig.chouti.com/link/vote', data=data, headers=header)
print(res.text)

方式二：使用cookie参数

字符串转字典：（cookie_str_to_cookie_dict）

from utils import cookie_str_to_cookie_dict
s = 'cto_bundle=_DpLll9WcDY3UCUyRlBnWDZtZEp5MVFZZHVHeExtdmtwNjVVYkh6SUglMkZoVmFaSWFtc1JrZWo0aVRURzdOeUhTUHpTekslMkJ0RjRnOXhqOWhXM0piM0hXVFlVVk9MUGpNWFdCS0dveFBFSEhHVmJRV01uVWZ1bjloTU9YY2VwQWF2NWxFQWhkZnM5TERxMVlUUkt4WUo2dWR4QkZOMmclM0QlM0Q; _jzqx=1.1691985966.1691985966.1.jzqsr=aa7a%2Ecn|jzqct=/.-; ECS_ID=a9bd0486ba5b0f2f65637f64719d72e75add4995; ECS[visit_times]=8; _jzqa=1.2593057364546894000.1672632545.1691985966.1698896326.9; _jzqc=1; _jzqy=1.1672632545.1698896326.1.jzqsr=baidu.-; _jzqckmp=1; Hm_lvt_c29657ca36c6c88e02fed9a397826038=1698896327; mediav=%7B%22eid%22%3A%22179539%22%2C%22ep%22%3A%22%22%2C%22vid%22%3A%22%22%2C%22ctn%22%3A%22%22%2C%22vvid%22%3A%22%22%2C%22_mvnf%22%3A1%2C%22_mvctn%22%3A0%2C%22_mvck%22%3A1%2C%22_refnf%22%3A0%7D; __xsptplus422=422.9.1698896372.1698896372.1%234%7C%7C%7C%7C%7C%23%23%23; Qs_lvt_201322=1686282645%2C1691979017%2C1691979065%2C1698896326%2C1698896643; __xsptplusUT_422=1; _qzjc=1; ECS[username]=616564099%40qq.com; ECS[user_id]=61399; ECS[password]=4a5e6ce9d1aba9de9b31abdf303bbdc2; _qzjb=1.1698896326296.7.0.0.0; _qzjto=7.1.0; _qzja=1.1154697895.1672632545402.1691985966161.1698896326296.1698896649094.1698896661921.616564099%2540qq_com.1.0.23.8; Hm_lpvt_c29657ca36c6c88e02fed9a397826038=1698896662; _jzqb=1.18.10.1698896326.1; Qs_pv_201322=1719398001187156200%2C1811149594340033000%2C1691949923920640300%2C4523589869790951000%2C2247541305320030700'
res = requests.get('http://www.aa7a.cn/', cookies=cookie_str_to_cookie_dict(s))
print('616564099@qq.com' in res.text) # 没有携带cookie 访问

登录成功---》响应头中有cookie

data = {
'username': '616564099@qq.com',
'password': 'lqz123',
'captcha': 'xxxx',
'ref': 'http://www.aa7a.cn/',
'act': 'act_login',
}
res = requests.post('http://www.aa7a.cn/user.php', data=data)
print(res.text)
print(type(res.cookies.get_dict())) # 登录成功的cookie，RequestsCookieJar 本质就是字典
from requests.cookies import RequestsCookieJar

拿到登录后的cookie，再向首页发送请求
res = requests.get('http://www.aa7a.cn/', cookies=res.cookies)
print('616564099@qq.com' in res.text) # 没有携带cookie 访问

session 的使用---》原来每次都需要手动携带cookie

from requests import Session
session=Session()
data = {
'username': '123@qq.com',
'password': '123',
'captcha': 'xxxx',
'ref': 'http://www.aa7a.cn/',
'act': 'act_login',
}
res = session.post('http://www.aa7a.cn/user.php', data=data)
res = session.get('http://www.aa7a.cn/') # 可以自动处理cookie，不需要手动携带
print('616564099@qq.com' in res.text)

响应对象

http请求---》python中---》变成了俩对象---》request对象 response对象

后端：django ：
　　request---》http请求被包装成了python的对象
　　四件套----》http的响应被包装成了response

爬虫：

　　request对象---》request.get --- request.get---》http请求
　　response对象---》返回的数据---》http响应包装成了response对象

请求

　　response对象---》返回的数据---》http响应包装成了response对象

后端和前端所叫的 request和response虽然不是同一个类的对象，但是他们的内容基本一致---》本质都是http请求和响应

# respone = requests.get('http://www.aa7a.cn/')
#
# print(type(respone))# 类的属性跟方法
# from requests.models import Response
# print(respone.text) # 响应体转成了字符串
# print(respone.content) # 响应体的二进制
# print(respone.status_code) # 响应状态码
# print(respone.headers) # 响应头
# print(respone.cookies)# 响应cookie
# print(respone.cookies.get_dict()) #转字典
# print(respone.cookies.items()) # 响应cookie---》转成key-value形式
#
# print(respone.url) # 请求地址
# print(respone.history) # 了解：访问过的地址  针对于  重定向的情况，才会有值
#
# print(respone.encoding) # 响应编码

下载一个视频

respone = requests.get('https://img3.chouti.com/CHOUTI_231102_8B10E74FBE2646748DE951D4EAB1F1E7.jpg')
# print(respone.content)
# 保存到本地--》就是这张图片
with open('致命诱惑.jpg', 'wb') as f:
# f.write(respone.content)
# for line in respone.iter_content(1024):
for line in respone.iter_content():
f.write(line)

高级用法

关于https报错问题

以后访问https地址时，可以会报错，访问https需要携带证书---》没带就会报错
不携带证书---》不报错
respone=requests.get('https://www.12306.cn',verify=False) #不验证证书,报警告,返回200

import urllib3
urllib3.disable_warnings()
respone=requests.get('https://www.12306.cn',verify=False)
print(respone.text)

超时设置

import requests

respone=requests.get('https://www.baidu.com',timeout=0.0001)

认证设置 ---》不需要知道了，现在没有这种了---》不是前端认证

异常处理

上传文件

import requests

files = {'file': open('a.jpg', 'rb')}

respone = requests.post('http://httpbin.org/post', files=files)

print(respone.status_code)

后端存储 request.FILES.get('file')

posted @ 2023-11-02 20:06 别管鱼油我了阅读(19) 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

YeeQX