requests高级用法、代理池搭建、爬取案例

昨日回顾

# 1 爬虫是什么
    一个程序--->模拟发送http请求--->从网站，app，小程序--->获取数据--->清洗数据--->入库
    
# 2 爬虫的核心原理
  发送http请求，解析数据
  requests模块  re正则

# 3 requests模块--->大神----》基于python内置模块urllib3---》封装
  -python界非常知名的库
  -模拟发送http请求：postman也是发送http请求的

  -python GUI
    -tkinter：内置模块
    -PyQT：python代码在qt平台写桌面应用
    
# 4 发送get请求，携带数据
    request.get(地址，params=get请求的数据)
    
# 5 发送请求请求头
    headers={
        user-agent:
        cookies:
        referer:
    }
    request.get(headers=headers)
    
# 6 携带cookie 两种方式
    1 直接放在请求头中：字符串 cookies:xx=dsada;ee=afafasf
    2 使用cookies参数request.get(cookies={}/cookieJar)
    
# 7 发送post
   request.post(,data,json)
    
# 8 requests.session()---->保持cookie,以后不用手动携带，自动处理

# 9 响应对象
    Response对象
      -text
      -content
      -cookies
        
# 10 编码问题

# 11 获取二进制数据
     -下载图片
     -response.iter_content()
        
# 12 http请求头
     -referer：是http请求头中的一个数据，记录从哪个页面跳转过来的
         -图片防盗链
         -反扒

今日内容

• requests高级用法

• 代理池搭建

• 爬取某视频网站

• 爬取新闻

1 requests高级用法

1.1 解析json

import requests

# 发送http请求，返回的数据会有xml格式，也有json格式

data = {
    'cname': '',
    'pid': '',
    'keyword': 500,
    'pageIndex': 1,
    'pageSize': 10,
}

res = requests.post('http://www.kfc.com.cn/kfccda/ashx/GetStoreList.ashx?op=keyword', data=data)
# print(res.text)  # json 格式字符串
print(res.json())  # 转成对象 字典对象

1.2 ssl认证(了解)

# http协议：明文传输

# https协议：http+ssl/tsl
  HTTP+ SSL / TLS,也就是在http上又加了一层处理加密信息的模块，比http安全，可防止数据在传输过程中被窃取 改变，确保数据的完整性
    
详细可看：
      https://zhuanlan.zhihu.com/p/561907474
    
# 以后遇到证数提示错误问题 ssl xxx
1 不验证证数
import requests
respone=requests.get('https://www.12306.cn',verify=False) #不验证证书,报警告,返回200
print(respone.status_code)

    
2 关闭警告
import requests
from requests.packages import urllib3
    urllib3.disable_warnings() #关闭警告
   respone=requests.get('https://www.12306.cn',verify=False)
print(respone.status_code)

    
3 手动携带证书（了解）
import requests
respone=requests.get('https://www.12306.cn',
                         cert=('/path/server.crt',
                               '/path/key'))
print(respone.status_code)

1.3 使用代理（重要）

# 如果爬虫使用自身ip地址访问，很有可能被封ip地址，以后就访问不了了

# 我们可以使用代理ip
# 代理：收费和免费(不稳定)

# requests发送请求代理
# res = requests.post('https://www.cnblogs.com',proxies={'http':'地址+端口'})

res = requests.post('https://www.cnblogs.com', proxies={'http': '60.167.91.34:33080'})
print(res.status_code)  # 使用代理网址查看状态码

1.4 高匿代理和透明代理

# 高匿代理和透明代理
-高匿：服务端拿不到真实客户端的ip地址
-透明：服务端能拿到真实客户端的ip地址

-后端如何拿到真实客户端ip地址
   X-Forwarded-For(XFF):获取HTTP请求真实的IP(作用)
        
      -http请求中头中有个：X-Forwarded-For:client1,proxy1,proxy2,proxy3
      -x-forword-for
      -获得HTTP请求真实的IP

1.5 超时设置

import requests

respone=requests.get('https://www.baidu.com',timeout=0.0001)
# 超过后面设置的时间 就直接断掉了

1.6 异常处理

import requests
from requests.exceptions import * #可以查看requests.exceptions获取异常类型

try:
    r=requests.get('http://www.baidu.com',timeout=0.00001)
except ReadTimeout:
    print('===:')
# except ConnectionError: #网络不通
#     print('-----')
# except Timeout:
#     print('aaaaa')

except RequestException:
    print('Error')

1.7 上传文件(小脚本)

# 上传文件
import requests
files = {'file': open('美女.png', 'rb')}
respone = requests.post('http://httpbin.org/post', files=files)
print(respone.status_code)

# 以后公司需要上传一些东西可以使用

2 代理池搭建

# requests 发送请求使用代理

# 代理从哪来
    -公司花钱买
    -搭建免费的代理池：
    https://github.com/jhao104/proxy_pool
        -python：爬虫+flask写的
        -架构：如下图

2.1 搭建步骤

1 git clone
https://github.com/jhao104/proxy_pool.git
    
2 使用pycharm打开

3 安装依赖：pip install -r requirements.txt

4 修改配置文件（redis地址即可）
        HOST = "0.0.0.0"
        PORT = 5010
        DB_CONN = 'redis://127.0.0.1:6379/0'
        PROXY_FETCHER #爬取哪些免费代理网站
        
5 启动爬虫程序
 python proxyPool.py schedule
    
6 启动服务端
 python proxyPool.py server
    
7 使用随机一个免费代理
 地址栏中输入：http://127.0.0.1:5010/get/

2.2 使用随机代理发送请求

import requests
from requests.packages import urllib3

urllib3.disable_warnings()  # 关闭警告
# 获取代理
res = requests.get('http://127.0.0.1:5010/get/').json()
proxies = {}
if res['https']:
    proxies['https'] = res['proxy']
else:
    proxies['http'] = res['proxy']
print(proxies)

res = requests.post('https://www.cnblogs.com', proxies=proxies, verify=False)
print(res)

2.3 django后端获取客户端的ip

# 建立django后端---》index地址---》访问就返回访问者的ip


# django代码---》不要忘记改配置文件
# 路由
path('', index),
# 视图函数
def index(request):
    ip = request.META.get('REMOTE_ADDR')
    print('ip地址是', ip)
    return HttpResponse(ip)



# 测试端：

# import requests
# from requests.packages import urllib3
# urllib3.disable_warnings() #关闭警告
# # 获取代理
# res = requests.get('http://127.0.0.1:5010/get/').json()
# proxies = {}
# if res['https']:
#     proxies['https'] = res['proxy']
# else:
#     proxies['http'] = res['proxy']
#
# print(proxies)
# res=requests.get('http://101.43.19.239/', proxies=proxies,verify=False)
# print(res.text)


from threading import Thread
import requests


def task():
    res = requests.get('http://101.43.19.239/')
    print(res.text)


for i in range(10000000):
    t = Thread(target=task)
    t.start()

3 爬取某视频网站

import requests
import re

res = requests.get('https://www.pearvideo.com/category_loading.jsp?reqType=5&categoryId=1&start=0')
# print(res.text)
# 解析出真正视频地址
video_list = re.findall('<a href="(.*?)" class="vervideo-lilink actplay">', res.text)
# print(video_list)
for i in video_list:
    # i='video_1212452'
    video_id = i.split('_')[-1]
    real_url = 'https://www.pearvideo.com/' + i
    # print('真正视频地址是：',real_url)
    headers = {
        'Referer': 'https://www.pearvideo.com/video_%s' % video_id
    }
    res1 = requests.get('https://www.pearvideo.com/videoStatus.jsp?contId=%s&mrd=0.29636538326105044' % video_id,
                        headers=headers).json()
    # print(res1["videoInfo"]['videos']['srcUrl'])
    mp4_url = res1["videoInfo"]['videos']['srcUrl']
    mp4_url = mp4_url.replace(mp4_url.split('/')[-1].split('-')[0], 'cont-%s' % video_id)
    print(mp4_url)
    res2 = requests.get(mp4_url)
    with open('./video/%s.mp4' % video_id, 'wb') as f:
        for line in res2.iter_content():
            f.write(line)

# headers={
#     'Referer': 'https://www.pearvideo.com/video_1212452'
# }
# res=requests.get('https://www.pearvideo.com/videoStatus.jsp?contId=1212452&mrd=0.29636538326105044',headers=headers)
#
# print(res.text)


# https://video.pearvideo.com/mp4/short/20171204/    1678938313577    -11212458-hd.mp4
# https://video.pearvideo.com/mp4/short/20171204/     cont-1212452    -11212458-hd.mp4

mp4_url = 'https://video.pearvideo.com/mp4/short/20171204/  1678938313577-11212458-hd.mp4'

4 爬取新闻

import requests
# pip install beautifulsoup4   解析xml的库
from bs4 import BeautifulSoup

res = requests.get('https://www.autohome.com.cn/all/1/#liststart')
# print(res.text)
# 第一个参数是要解析的文本 str
# 第二个参数是：解析的解析器  html.parser：内置解析器       lxml:第三方需要额外安装
soup = BeautifulSoup(res.text, 'html.parser')
# 查找所有类名叫article的ul标签   find_all
ul_list = soup.find_all(name='ul', class_='article')
for ul in ul_list:
    li_list = ul.find_all(name='li')
    # print(len(li_list))
    for li in li_list:
        h3 = li.find(name='h3')
        if h3:  # 不是广告
            title = h3.text
            url = 'https:' + li.find('a').attrs['href']
            desc = li.find('p').text
            img = li.find(name='img').attrs['src']
            print('''
            新闻标题：%s
            新闻连接：%s
            新闻摘要：%s
            新闻图片：%s
            ''' % (title, url, desc, img))


# 把所有图片下载到本地，把爬完的数据，存到mysql中---》pymysql---》commit