06.Python網絡爬蟲之requests模塊（2）

今日內容

• session處理cookie
• proxies參數設置請求代理ip
• 基於線程池的數據爬取

知識點回顧

• xpath的解析流程
• bs4的解析流程
• 常用xpath表達式
• 常用bs4解析方法

了解cookie和session

- 無狀態的http協議

　　- 如上圖所示，HTTP協議 是無狀態的協議，用戶瀏覽服務器上的內容，只需要發送頁面請求，服務器返回內容。對於服務器來說，並不關心，也並不知道是哪個用戶的請求。對於一般瀏覽性的網頁來說，沒有任何問題。
　　- 但是，現在很多的網站，是需要用戶登錄的。以淘寶為例：比如說某個用戶想購買一個產品，當點擊 “ 購買按鈕 ” 時，由於HTTP協議 是無狀態的，那對於淘寶來說，就不知道是哪個用戶操作的。
　　- 為了實現這種用戶標記，服務器就采用了cookie這種機制來識別具體是哪一個用戶的訪問。

了解Cookie

 

- 如圖，為了實現用戶標記，在Http無狀態請求的基礎之上，我們需要在請求中攜帶一些用戶信息（比如用戶名之類，這些信息是服務器發送到本地瀏覽器的，但是服務器並不存儲這些信息），這就是cookie機制。

- 需要注意的是：cookie信息是保存在本地瀏覽器里面的，服務器上並不存儲相關的信息。 在發送請求時，cookie的這些內容是放在 Http協議中的header 字段中進行傳輸的。

- 幾乎現在所有的網站都會發送一些 cookie信息過來，當用戶請求中攜帶了cookie信息，服務器就可以知道是哪個用戶的訪問了，從而不需要再使用賬戶和密碼登錄。

- 但是，剛才也提到了，cookie信息是直接放在Http協議的header中進行傳輸的，看得出來，這是個隱患！一旦別人獲取到你的cookie信息（截獲請求，或者使用你的電腦），那么他很容易從cookie中分析出你的用戶名和密碼。為了解決這個隱患，所以有了session機制。

了解session

- 剛才提到了cookie不安全，所以有了session機制。簡單來說（每個框架都不一樣，這只是舉一個通用的實現策略），整過過程是這樣：
　　- 服務器根據用戶名和密碼，生成一個session ID，存儲到服務器的數據庫中。
　　- 用戶登錄訪問時，服務器會將對應的session ID發送給用戶（本地瀏覽器）。
　　- 瀏覽器會將這個session ID存儲到cookie中，作為一個鍵值項。
　　- 以后，瀏覽器每次請求，就會將含有session ID的cookie信息，一起發送給服務器。
　　- 服務器收到請求之后，通過cookie中的session ID，到數據庫中去查詢，解析出對應的用戶名，就知道是哪個用戶的請求了。

總結

- cookie 在客戶端（本地瀏覽器），session 在服務器端。cookie是一種瀏覽器本地存儲機制。存儲在本地瀏覽器中，和服務器沒有關系。每次請求，用戶會帶上本地cookie的信息。這些cookie信息也是服務器之前發送給瀏覽器的，或者是用戶之前填寫的一些信息。

- Cookie有不安全機制。 你不能把所有的用戶信息都存在本地，一旦被別人竊取，就知道你的用戶名和密碼，就會很危險。所以引入了session機制。

- 服務器在發送id時引入了一種session的機制，很簡單，就是根據用戶名和密碼，生成了一段隨機的字符串，這段字符串是有過期時間的。

- 一定要注意：session是服務器生成的，存儲在服務器的數據庫或者文件中，然后把sessionID發送給用戶，用戶存儲在本地cookie中。每次請求時，把這個session ID帶給服務器，服務器根據session ID到數據庫中去查詢，找到是哪個用戶，就可以對用戶進行標記了。

- session 的運行依賴 session ID，而 session ID 是存在 cookie 中的，也就是說，如果瀏覽器禁用了 cookie ，那么同時 session 也會失效（但是可以通過其它方式實現，比如在url中傳遞 session ID）

- 用戶驗證這種場合一般會用 session。 因此，維持一個會話的核心就是客戶端的唯一標識，即session ID

引入

有些時候，我們在使用爬蟲程序去爬取一些用戶相關信息的數據（爬取張三“人人網”個人主頁數據）時，如果使用之前requests模塊常規操作時，往往達不到我們想要的目的，例如：

#!/usr/bin/env python # -*- coding:utf-8 -*- import requests if __name__ == "__main__": #張三人人網個人信息頁面的url url = 'http://www.renren.com/289676607/profile' #偽裝UA headers={ 'User-Agent': 'Mozilla/5.0 (Macintosh; Intel Mac OS X 10_12_0) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/69.0.3497.100 Safari/537.36', } #發送請求，獲取響應對象 response = requests.get(url=url,headers=headers) #將響應內容寫入文件 with open('./renren.html','w',encoding='utf-8') as fp: fp.write(response.text)

 

一.基於requests模塊的cookie操作

    - 結果發現，寫入到文件中的數據，不是張三個人頁面的數據，而是人人網登陸的首頁面，why？首先我們來回顧下cookie的相關概念及作用：

　　　　- cookie概念：當用戶通過瀏覽器首次訪問一個域名時，訪問的web服務器會給客戶端發送數據，以保持web服務器與客戶端之間的狀態保持，這些數據就是cookie。

　　　　- cookie作用：我們在瀏覽器中，經常涉及到數據的交換，比如你登錄郵箱，登錄一個頁面。我們經常會在此時設置30天內記住我，或者自動登錄選項。那么它們是怎么記錄信息的呢，答案就是今天的主角cookie了，Cookie是由HTTP服務器設置的，保存在瀏覽器中，但HTTP協議是一種無狀態協議，在數據交換完畢后，服務器端和客戶端的鏈接就會關閉，每次交換數據都需要建立新的鏈接。就像我們去超市買東西，沒有積分卡的情況下，我們買完東西之后，超市沒有我們的任何消費信息，但我們辦了積分卡之后，超市就有了我們的消費信息。cookie就像是積分卡，可以保存積分，商品就是我們的信息，超市的系統就像服務器后台，http協議就是交易的過程。

- 經過cookie的相關介紹，其實你已經知道了為什么上述案例中爬取到的不是張三個人信息頁，而是登錄頁面。那應該如何抓取到張三的個人信息頁呢？

　　思路：

　　　　1.我們需要使用爬蟲程序對人人網的登錄時的請求進行一次抓取，獲取請求中的cookie數據

　　　　2.在使用個人信息頁的url進行請求時，該請求需要攜帶 1 中的cookie，只有攜帶了cookie后，服務器才可識別這次請求的用戶信息，方可響應回指定的用戶信息頁數據

#!/usr/bin/env python # -*- coding:utf-8 -*- import requests if __name__ == "__main__": #登錄請求的url（通過抓包工具獲取） post_url = 'http://www.renren.com/ajaxLogin/login?1=1&uniqueTimestamp=201873958471' #創建一個session對象，該對象會自動將請求中的cookie進行存儲和攜帶 session = requests.session() #偽裝UA headers={ 'User-Agent': 'Mozilla/5.0 (Macintosh; Intel Mac OS X 10_12_0) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/69.0.3497.100 Safari/537.36', } formdata = { 'email': '17701256561', 'icode': '', 'origURL': 'http://www.renren.com/home', 'domain': 'renren.com', 'key_id': '1', 'captcha_type': 'web_login', 'password': '7b456e6c3eb6615b2e122a2942ef3845da1f91e3de075179079a3b84952508e4', 'rkey': '44fd96c219c593f3c9612360c80310a3', 'f': 'https%3A%2F%2Fwww.baidu.com%2Flink%3Furl%3Dm7m_NSUp5Ri_ZrK5eNIpn_dMs48UAcvT-N_kmysWgYW%26wd%3D%26eqid%3Dba95daf5000065ce000000035b120219', } #使用session發送請求，目的是為了將session保存該次請求中的cookie session.post(url=post_url,data=formdata,headers=headers) get_url = 'http://www.renren.com/960481378/profile' #再次使用session進行請求的發送，該次請求中已經攜帶了cookie response = session.get(url=get_url,headers=headers) #設置響應內容的編碼格式 response.encoding = 'utf-8' #將響應內容寫入文件 with open('./renren.html','w') as fp: fp.write(response.text)

二.基於requests模塊的代理操作

• 什么是代理

  • 代理就是第三方代替本體處理相關事務。例如：生活中的代理：代購，中介，微商......

• 爬蟲中為什么需要使用代理

  • 一些網站會有相應的反爬蟲措施，例如很多網站會檢測某一段時間某個IP的訪問次數，如果訪問頻率太快以至於看起來不像正常訪客，它可能就會會禁止這個IP的訪問。所以我們需要設置一些代理IP，每隔一段時間換一個代理IP，就算IP被禁止，依然可以換個IP繼續爬取。

• 代理的分類：

  • 正向代理：代理客戶端獲取數據。正向代理是為了保護客戶端防止被追究責任。

  • 反向代理：代理服務器提供數據。反向代理是為了保護服務器或負責負載均衡。

• 免費代理ip提供網站

  • http://www.goubanjia.com/

  • 西祠代理

  • 快代理

• 代碼

  #!/usr/bin/env python # -*- coding:utf-8 -*- import requests import random if __name__ == "__main__": #不同瀏覽器的UA header_list = [ # 遨游 {"user-agent": "Mozilla/4.0 (compatible; MSIE 7.0; Windows NT 5.1; Maxthon 2.0)"}, # 火狐 {"user-agent": "Mozilla/5.0 (Windows NT 6.1; rv:2.0.1) Gecko/20100101 Firefox/4.0.1"}, # 谷歌 { "user-agent": "Mozilla/5.0 (Macintosh; Intel Mac OS X 10_7_0) AppleWebKit/535.11 (KHTML, like Gecko) Chrome/17.0.963.56 Safari/535.11"} ] #不同的代理IP proxy_list = [ {"http": "112.115.57.20:3128"}, {'http': '121.41.171.223:3128'} ] #隨機獲取UA和代理IP header = random.choice(header_list) proxy = random.choice(proxy_list) url = 'http://www.baidu.com/s?ie=UTF-8&wd=ip' #參數3：設置代理 response = requests.get(url=url,headers=header,proxies=proxy) response.encoding = 'utf-8' with open('daili.html', 'wb') as fp: fp.write(response.content) #切換成原來的IP requests.get(url, proxies={"http": ""})

  

   

三.基於multiprocessing.dummy線程池的數據爬取

• 需求：爬取梨視頻的視頻信息，並計算其爬取數據的耗時
  • 普通爬取

    %%time
    import requests import random from lxml import etree import re from fake_useragent import UserAgent #安裝fake-useragent庫:pip install fake-useragent url = 'http://www.pearvideo.com/category_1' #隨機產生UA,如果報錯則可以添加如下參數： #ua = UserAgent(verify_ssl=False,use_cache_server=False).random #禁用服務器緩存： #ua = UserAgent(use_cache_server=False) #不緩存數據： #ua = UserAgent(cache=False) #忽略ssl驗證： #ua = UserAgent(verify_ssl=False) ua = UserAgent().random headers = { 'User-Agent':ua } #獲取首頁頁面數據 page_text = requests.get(url=url,headers=headers).text #對獲取的首頁頁面數據中的相關視頻詳情鏈接進行解析 tree = etree.HTML(page_text) li_list = tree.xpath('//div[@id="listvideoList"]/ul/li') detail_urls = [] for li in li_list: detail_url = 'http://www.pearvideo.com/'+li.xpath('./div/a/@href')[0] title = li.xpath('.//div[@class="vervideo-title"]/text()')[0] detail_urls.append(detail_url) for url in detail_urls: page_text = requests.get(url=url,headers=headers).text vedio_url = re.findall('srcUrl="(.*?)"',page_text,re.S)[0] data = requests.get(url=vedio_url,headers=headers).content fileName = str(random.randint(1,10000))+'.mp4' #隨機生成視頻文件名稱 with open(fileName,'wb') as fp: fp.write(data) print(fileName+' is over')

    

     

  • 基於線程池的爬取

    %%time
    import requests import random from lxml import etree import re from fake_useragent import UserAgent #安裝fake-useragent庫:pip install fake-useragent #導入線程池模塊 from multiprocessing.dummy import Pool #實例化線程池對象 pool = Pool() url = 'http://www.pearvideo.com/category_1' #隨機產生UA ua = UserAgent().random headers = { 'User-Agent':ua } #獲取首頁頁面數據 page_text = requests.get(url=url,headers=headers).text #對獲取的首頁頁面數據中的相關視頻詳情鏈接進行解析 tree = etree.HTML(page_text) li_list = tree.xpath('//div[@id="listvideoList"]/ul/li') detail_urls = []#存儲二級頁面的url for li in li_list: detail_url = 'http://www.pearvideo.com/'+li.xpath('./div/a/@href')[0] title = li.xpath('.//div[@class="vervideo-title"]/text()')[0] detail_urls.append(detail_url) vedio_urls = []#存儲視頻的url for url in detail_urls: page_text = requests.get(url=url,headers=headers).text vedio_url = re.findall('srcUrl="(.*?)"',page_text,re.S)[0] vedio_urls.append(vedio_url) #使用線程池進行視頻數據下載 func_request = lambda link:requests.get(url=link,headers=headers).content video_data_list = pool.map(func_request,vedio_urls) #使用線程池進行視頻數據保存 func_saveData = lambda data:save(data) pool.map(func_saveData,video_data_list) def save(data): fileName = str(random.randint(1,10000))+'.mp4' with open(fileName,'wb') as fp: fp.write(data) print(fileName+'已存儲') pool.close() pool.join()