(六) Python網絡爬蟲之requests模塊二

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

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)

cookie的應用和處理

cookie: 服務器端記錄客戶端的相關狀態
處理cookie的方式:
    手動處理: 不建議
    自動處理: 會話對象Session, 該對象可以像requests模塊一樣進行網絡請求的發送(get, post),Session進行的請求發送可以自動攜帶和處理cookie

 

基於cookie的案例分析(爬取雪球網數據): https://xueqiu.com/

# 1.從首頁中獲取詳情頁的URL, 發現首頁中的新聞數據是動態加載出來的(ajax)
import json
import requests

# 此URL是通過捕獲ajax數據包獲取的
url = "https://xueqiu.com/v4/statuses/public_timeline_by_category.json?since_id=-1&max_id=-1&count=10&category=-1"
headers = {
    "Connection": "close",
    "User-Agent": "Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/75.0.3770.80 Safari/537.36"
}

# 需要先創建一個會話對象，自動獲取cookie之后再發起請求,cookie就會自動存儲到session中
session = requests.Session()
home_url = "https://xueqiu.com"
session.get(url=home_url, headers=headers)

# 攜帶cookie進行的請求發送
dic_json = session.get(url=url, headers=headers).json()
# print(dic_json)
# 從響應數據中獲取詳情頁的URL
for dic in dic_json["list"]:
    detail_url = "https://xueqiu.com" + json.loads(dic["data"])["target"]
    print(detail_url)

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

1. 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')

2. 基於線程池的爬取

import re
import random
import requests
from lxml import etree
from multiprocessing.dummy import Pool

url = "https://www.pearvideo.com/category_1"
headers = {
    "User-Agent": "Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/75.0.3770.80 Safari/537.36"
}

def request_video(url):
    return requests.get(url=url, headers=headers).content

def save_video(data):
    name = str(random.randint(0, 9999)) + '.mp4'
    with open(name, 'wb') as fp:
        fp.write(data)
        print(name, "下載存儲成功!!!")

page_text = requests.get(url=url, headers=headers).text

tree = etree.HTML(page_text)
li_list = tree.xpath('//ul[@id="listvideoListUl"]/li')

# 實例化一個線程池對象
pool = Pool(4)
video_url_list = []

for li in li_list:
    detail_url = "https://www.pearvideo.com/" + li.xpath('./div/a/@href')[0]
    detail_page_text = requests.get(url=detail_url, headers=headers).text
    
    ex = 'srcUrl="(.*?)",vdoUrl='
    video_url = re.findall(ex, detail_page_text, re.S)[0]
    video_url_list.append(video_url)

# 異步獲取4個視頻的二進制數據
video_data_list = pool.map(request_video, video_url_list)

# 進行視頻的持久化存儲
pool.map(save_video, video_data_list)

%%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()