爬虫03 /代理、cookie处理、模拟登录、提升爬虫效率

爬虫03 /代理、cookie处理、模拟登录、提升爬虫效率

目录

1. 代理

  • 代理概念：代理服务器。

  • 作用：接收请求==》请求转发。

  • 代理和爬虫之间的关联：

    • 可以使用请求转发的机制使得目的服务器接收到的请求对应ip的一个改变。

  • 为什么要使用代理改变请求的ip地址？

    • 爬虫程序在短时间内对指定的服务器发起了一个高频的请求，则请求对应的ip可能会被目的服务器禁止。

  • 代理的一些基础知识：

    • 代理的匿名度：
      • 透明代理：目的服务器知道你使用了代理机制并且也知道你的真实IP
      • 匿名代理：知道使用了代理机制，但是不知道你的真实ip
      • 高匿代理：不知道使用了代理，也不知道你的真实ip
    • 代理的类型：
      • http
      • https

  • 免费代理ip：

    • 快代理
    • 西祠代理
    • www.goubanjia.com
    • 代理精灵

  • get/post方法中使用proxies请求代理的设置

    • proxies=

  • 需求：测试一下代理是否会生效

    • 准备：
      • 代理ip和端口号
      • 测试的过程
    • 代码示例：
    import requests
url = 'https://www.baidu.com/s?ie=utf-8&wd=ip'
headers = {
    'User-Agent':'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/75.0.3770.142 Safari/537.36'
}
page_text = requests.get(url=url,headers=headers,proxies={'https':'112.195.96.115:32092'}).text
with open('./ip.html','w',encoding='utf-8') as fp:
    fp.write(page_text)

  • 代理池的构建：就是一个列表，列表中存储的是字典。每一个字典存储的键值

  • 对西祠代理发起一个高频的请求，使得本机ip被禁止，然后采用代理池解决代理的反爬

    all_ips = []
url = 'http://t.11jsq.com/index.php/api/entry?method=proxyServer.generate_api_url&packid=1&fa=0&fetch_key=&groupid=0&qty=30&time=1&pro=&city=&port=1&format=txt&ss=3&css=&dt=1&specialTxt=3&specialJson=&usertype=2'
page_text = requests.get(url,headers=headers).text
tree = etree.HTML(page_text)
ip_list = tree.xpath('//body//text()')[0].split('\n')
for ip in ip_list:
    dic = {
        'https':ip
    }
    all_ips.append(dic)

    from lxml import etree
import random
url = 'https://www.xicidaili.com/nn/%d'
ips = []
for page in range(1,3):
    new_url = format(url%page)
    page_text = requests.get(new_url,headers=headers,proxies=random.choice(all_ips)).text
    tree = etree.HTML(page_text)
    # 在xpath表达式中一定不可以出现tbody标签
    tr_list = tree.xpath('//*[@id="ip_list"]//tr')[1:]
    for tr in tr_list:
        ip = tr.xpath('./td[2]/text()')[0]
        ips.append(ip)
print(len(ips))

2. cookie处理

  • cookie的处理

    • 手动处理
      • 将cookie作用到headers中即可
    • 自动处理
      • session = requests.Session()
      • session的作用：
        • session可以像requests模块一样调用get和post进行请求发送
        • 在进行请求发送的过程中如果产生了cookie，则cookie会被自动存储到session对象中。

  • 请求头中重要的头信息

    • User-Agent
    • Cookie
    • Referer

  • 需求：https://xueqiu.com/，对雪球网中的新闻数据进行爬取

  • 分析：

    • 新闻数据是通过ajax动态加载出来的
    • 捕获到ajax数据包中的url

  • 代码实现：

    session = requests.Session()
# 第一次请求发送：为了捕获cookie且存储到session对象中
first_url = 'https://xueqiu.com/'
session.get(first_url,headers=headers)

# 第二次请求发送：携带cookie进行的请求发送
url = 'https://xueqiu.com/v4/statuses/public_timeline_by_category.json?since_id=-1&max_id=20358211&count=15&category=-1'
json_data = session.get(url=url,headers=headers).json()
json_data

3. 模拟登录

  • 为什么需要进行模拟登录：

    • 有些数据不经过登录是访问不到

  • 验证码的处理:

    • 基于线上的打码平台来实现
    • 超级鹰的使用流程：
      • 基于用户中心的身份进行注册
      • 用户中心的身份进行登录：
        • 充值
        • 创建一个软件：软件ID-》生成软件ID
        • 下载示例代码：开发文档-》Python-》下载

  • 下载示例代码：

    import requests
from hashlib import md5

class Chaojiying_Client(object):

    def __init__(self, username, password, soft_id):
        self.username = username
        password =  password.encode('utf8')
        self.password = md5(password).hexdigest()
        self.soft_id = soft_id
        self.base_params = {
            'user': self.username,
            'pass2': self.password,
            'softid': self.soft_id,
        }
        self.headers = {
            'Connection': 'Keep-Alive',
            'User-Agent': 'Mozilla/4.0 (compatible; MSIE 8.0; Windows NT 5.1; Trident/4.0)',
        }

    def PostPic(self, im, codetype):
        """
        im: 图片字节
        codetype: 题目类型 参考 http://www.chaojiying.com/price.html
        """
        params = {
            'codetype': codetype,
        }
        params.update(self.base_params)
        files = {'userfile': ('ccc.jpg', im)}
        r = requests.post('http://upload.chaojiying.net/Upload/Processing.php', data=params, files=files, headers=self.headers)
        return r.json()

    def ReportError(self, im_id):
        """
        im_id:报错题目的图片ID
        """
        params = {
            'id': im_id,
        }
        params.update(self.base_params)
        r = requests.post('http://upload.chaojiying.net/Upload/ReportError.php', data=params, headers=self.headers)
        return r.json()

    # 执行代码
chaojiying = Chaojiying_Client('bobo328410948', 'bobo328410948', '899370')
im = open('a.jpg', 'rb').read()
print(chaojiying.PostPic(im, 1902))

  • 使用打码平台识别古诗文网中的验证码图片

    # 封装一个识别验证码的函数
def transformCode(imgPath,imgType):
    chaojiying = Chaojiying_Client('bobo328410948', 'bobo328410948', '899370')
    im = open(imgPath, 'rb').read()
    return chaojiying.PostPic(im, imgType)['pic_str']
    • 先将验证码图片下载到本地文件，再使用打码平台对验证码图片进行识别
    url = 'https://so.gushiwen.org/user/login.aspx?from=http://so.gushiwen.org/user/collect.aspx'
page_text = requests.get(url,headers=headers).text
tree = etree.HTML(page_text)
# 解析到了验证码图片的地址
code_img_src = 'https://so.gushiwen.org'+tree.xpath('//*[@id="imgCode"]/@src')[0]
img_data = requests.get(code_img_src,headers=headers).content
with open('./code.jpg','wb') as fp:
    fp.write(img_data)
transformCode('./code.jpg',1902)

  • 模拟登录

    • 对点击登录按钮对应的url进行请求发送
    • 动态变化的请求参数：
      • 一般都会被隐藏在前台页面中
      • 基于抓包工具对请求参数的名称进行全局搜索

  • 古诗文网模拟登录代码示例：

    # 处理cookie
session = requests.Session()

# 获取且识别验证码
url = 'https://so.gushiwen.org/user/login.aspx?from=http://so.gushiwen.org/user/collect.aspx'
page_text = session.get(url,headers=headers).text
tree = etree.HTML(page_text)

# 解析到了验证码图片的地址
code_img_src = 'https://so.gushiwen.org'+tree.xpath('//*[@id="imgCode"]/@src')[0]

# 解析出模拟登录请求中动态变化的两个请求参数的值
__VIEWSTATE = tree.xpath('//*[@id="__VIEWSTATE"]/@value')[0]
__VIEWSTATEGENERATOR = tree.xpath('//*[@id="__VIEWSTATEGENERATOR"]/@value')[0]

# 对图片进行请求时捕获cookie
img_data = session.get(code_img_src,headers=headers).content
with open('./code.jpg','wb') as fp:
    fp.write(img_data)

# 验证码对应的文本数据
code_text = transformCode('./code.jpg',1902)
print(code_text)

# 对于登录按钮的点击进行请求发送
login_url = 'https://so.gushiwen.org/user/login.aspx?from=http%3a%2f%2fso.gushiwen.org%2fuser%2fcollect.aspx'
data = {
    '__VIEWSTATE': __VIEWSTATE,
    '__VIEWSTATEGENERATOR': __VIEWSTATEGENERATOR,
    'from': 'http://so.gushiwen.org/user/collect.aspx',
    'email': 'www.zhangbowudi@qq.com',
    'pwd': 'bobo328410948',
    'code': code_text,
    'denglu': '登录',
}
login_page_text = session.post(url=login_url,headers=headers,data=data).text
with open('./gushiwen.html','w',encoding='utf-8') as fp:
    fp.write(login_page_text)

4. 如何提升爬取数据的效率

  • 线程池

  • 多任务的异步协程

    • asyncio
      • 特殊的函数
      • 协程
      • 任务对象
        • 任务对象绑定
      • 事件循环

  • from multiprocessing.dummy import Pool

  • map(func,alist):

    • 可以让func回调函数处理alist中的每一个列表元素，这个处理的过程是基于异步。

  • 代码示例：

    import requests
import time
from multiprocessing.dummy import Pool
start = time.time()
pool = Pool(3)
urls = [
    'http://127.0.0.1:5000/index',
    'http://127.0.0.1:5000/index',
    'http://127.0.0.1:5000/index'
]
# 用作与网络请求（耗时）
def req(url):
    return requests.get(url).text

page_text_list = pool.map(req,urls)
print(page_text_list)
print('总耗时：',time.time()-start)

总结：

  1. 在xpath表达式中一定不可以出现tbody标签
  2. 常见反爬机制：
    • 验证码
    • 动态变化的请求参数
    • cookie
    • 代理
    • UA
    • robots
posted @ 2019-12-04 20:00  LBZHK  阅读(293)  评论(0)  编辑  收藏  举报