requests高级用法-代理池搭建-爬取某视频网站-爬取新闻

目录

• requests高级用法-代理池搭建-爬取某视频网站-爬取新闻
  • 昨日回顾
  • 今日内容详细
    • 1 requests高级用法
      • 1.0 解析json
      • 1.1 ssl认证(了解)
      • 1.2 使用代理(重要)
      • 1.3 超时处理
      • 1.4 异常处理
      • 1.5 上传文件
    • 2 代理池搭建
      • 2.1 django后端获取客户端的ip
    • 3 爬取某视频网站
    • 4 爬取新闻

requests高级用法-代理池搭建-爬取某视频网站-爬取新闻

昨日回顾

# 面试题
	可变类型和不可变类型
    
    常用的魔法方法---> 某种情况下会自动触发
    	__init__  类()---> 对象进行初始化
        __new__  类()---> 产生对象---> 触发__init__完成对象初始化
        __call__  person=Person()---> 对象加括号 person()---> 触发
        __getattr__  对象.属性 属性不存在 触发
        __setattr__  对象.属性=值 触发
        __getitem__  对象['属性'] 属性不存在 触发
        __setitem__  对象['属性']=值 触发
        上下文管理器：只要重写了__enter__  __exit__ 方法 就具备这个能力
        	with 对象 as xx：
            	1 写了一行代码 触发__enter__的执行
            2 写了一行代码 触发__exit__ 做一些资源清理工作 
        剩下的：https://www.cnblogs.com/liuqingzheng/articles/9949568.html
        '''一定要去复习'''
        
        类中的装饰器
        classmethod
        staticmethod
        如何把方法包装成数据属性 propty装饰器
        类中如何隐藏属性
        	__属性，方法
            
        双写一致性
        断点续传
        	迅雷多线程下载
            
        内网穿透：https://zhuanlan.zhihu.com/p/370483324
        缓存击穿

# 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  re  模块
    
# 3 requests模块---> 巨人---> 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
    
    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
	heaser={
        user-agent:
        cookie:
        referer
    }
    request.get(headers=heaser)
    
# 6 携带cookie 两种方式
	1 直接放在请求头中：字符串 cookie:xx=dasdsa;ee=jkasdlk
    2 使用cookie参数request.get(cookies={}/cookieJar)
    
# 7 发送post请求
	request.post(, data, json)
    
# 8 request.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 视频
    response.iter_content()
    
# 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

今日内容详细

1 requests高级用法

1.0 解析json

# 发送http请求 返回的数据会有xml格式 也有json格式

import requests
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---> json.cn
print(type(res.json()))  # 转成对象 字典对象 <class 'dict'>

1.1 ssl认证(了解)

# http协议：明文传输
# https协议：http+ssl/tsl
	HTTP + SSL / TSL 也就是在http上有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
    https://zhuanlan.zhihu.com/p/561907474
'''
HTTP 由于是明文传输，主要存在三大风险：窃听风险、篡改风险、冒充风险
'''

# 以后遇到证书提示错误问题 ssl xxx
	1 不验证证书
    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)  # 不验证证书 报警告 返回200
    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)

1.2 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)

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

# res = requests.post('https://www.cnblogs.com',proxies={'http':'27.79.236.66:4001'})
res = requests.post('https://www.cnblogs.com',proxies={'http':'60.167.91.34:33080'})
print(res.status_code)


# 高匿代理和透明代理
	高匿 服务器拿不到真实客户端的ip地址
    透明 服务器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
    	http请求头中有个：X-Forwarded-For: client1, proxy1, proxy2, proxy3
        X-forword-for
        获取HTTP请求端真实的ip

1.3 超时处理

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

1.4 异常处理

# 3 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=0.0001)
except ReadTimeout:
    print('====')
except ConnectionError:  # 网络不通
    print('------------')
except Timeout:
    print('aaaaaaaaaaa')

except RequestException:
    print('Error')

1.5 上传文件

# 3 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)

2 代理池搭建

# requests 发送请求使用代理

# 代理从哪里来
	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：看下图
        
# 搭建步骤：
	1 git clone https://github.com/jhao104/proxy_pool.git
    	这里也支持直接下载zip包
    2 使用pycharm打开
    3 安装依赖：pip install -r requirements.txt (下载完zip包点ok它就不用下)
    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址 越多越好
    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/
    
# 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)
# res = requests.post('https://www.cnblogs.com')
print(res)

2.1 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)

'''
将db数据库删掉 加*使所有人都能访问 debug改为False(这个不用) 
'''



# 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

# 补充
# 反向代理
'''
反向代理服务器位于用户与目标服务器之间，但是对于用户而言，反向代理服务器就相当于目标服务器，即用户直接访问反向代理服务器就可以获得目标服务器的资源。同时，用户不需要知道目标服务器的地址，也无须在用户端作任何设定。反向代理服务器通常可用来作为Web加速，即使用反向代理作为Web服务器的前置机来降低网络和服务器的负载，提高访问效率。
'''
# 正向代理
'''
正向代理，意思是一个位于客户端和原始服务器(origin server)之间的服务器，为了从原始服务器取得内容，客户端向代理发送一个请求并指定目标(原始服务器)，然后代理向原始服务器转交请求并将获得的内容返回给客户端。客户端才能使用正向代理。
'''