碼上歡樂
相關內容    簡體    繁體

爬蟲之代理和cookie的處理

本文轉載自   查看原文   2019-08-05 15:40   519 

 

代理操作

  • 代理的目的
    • 為解決ip被封的情況
  • 什么是代理
    • 代理服務器：fiddler
  • 為什么使用代理可以改變請求的ip
    • 本機的請求會先發送給代理服務器，代理服務器會接受本機發送過來的請求（當前請求對應的ip就是本機ip），然后代理服務器會將該請求進行轉發，轉發之后的請求對應的ip就是代理服務器的ip。
  • 提供免費代理的平台　
  • 代理ip的匿名度
    • 透明：使用了透明的代理ip，則對方服務器知道你當前發起的請求使用了代理服務器並且可以監測到你真實的ip
    • 匿名：知道你使用了代理服務器不知道你的真實ip
    • 高匿：不知道你使用了代理服務器也不知道你的真實ip
  • 代理ip的類型
    • http：該類型的代理IP只可以轉發http協議的請求
    • https：只可以轉發https協議的請求

 代理的測試

　　

#代理測試
import requests
from lxml import etree
import random
headers = {
    'User-Agent':'Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/70.0.3538.77 Safari/537.36'
}
#構建一個簡易的ip池，字典形式的
proxy_list = [
    {'https':'212.64.51.13:8888'},
    {'https':'212.64.51.13:8888'},
    {'https':'212.64.51.13:8888'},
]
url = 'https://www.baidu.com/s?ie=UTF-8&wd=ip'
#proxies指定代理ip
page_text = requests.get(url=url,headers=headers,proxies=random.choice(proxy_list)).text
with open('ip.html','w',encoding='utf-8') as fp:
    fp.write(page_text)

 

 

 

如何構建一個標准的代理ip池

  • 1.取各大平台中爬取大量的免費代理ip
  • 2.校驗出可用的代理ip
    • 使用每一個代理ip進行請求發送，監測響應狀態碼是否為200
  • 3.將可用的代理ip進行存儲（redis）

爬取西祠 的代理ip

import requests
from lxml import etree
import random
headers = {
    'User-Agent':'Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/70.0.3538.77 Safari/537.36'
}

all_ips = []
# 從代理精靈上買去的代理ip
ip_url = 'http://ip.11jsq.com/index.php/api/entry?method=proxyServer.generate_api_url&packid=1&fa=0&fetch_key=&groupid=0&qty=53&time=1&pro=&city=&port=1&format=html&ss=5&css=&dt=1&specialTxt=3&specialJson='
page_text = requests.get(ip_url,headers=headers).text
tree = etree.HTML(page_text)
ip_list = tree.xpath('//body//text()')
# 取出所有的代理ip並組成列表
for ip in ip_list:
    ip = {'https':ip}
    all_ips.append(ip)

url = 'https://www.xicidaili.com/nn/%d'
for page in range(1,100):
    print('正在爬取第{}頁的數據！'.format(page))
    new_url = format(url%page)
    page_text = requests.get(url=new_url,headers=headers,proxies=random.choice(all_ips)).text
    tree = etree.HTML(page_text)
    tr_list = tree.xpath('//*[@id="ip_list"]//tr')[1:]
    for tr in tr_list:
        ip = tr.xpath('./td[2]/text()')[0]
        port = tr.xpath('./td[3]/text()')[0]
        ip_type = tr.xpath('./td[6]/text()')[0]
        
        dic = {
            'ip':ip,
            'port':port,
            'type':ip_type
        }
        all_ips.append(dic)
    
print(len(all_ips))

 

 

cookie的操作

  • Cookie
    • 什么是cookie？
      • 保存在客戶端的鍵值對
  • 爬取雪球網中的新聞數據：https://xueqiu.com/
#通過抓包工具捕獲的基於ajax請求的數據包中提取的url
url = 'https://xueqiu.com/v4/statuses/public_timeline_by_category.json?since_id=-1&max_id=20343389&count=15&category=-1'
json_data = requests.get(url=url,headers=headers).json()
print(json_data)

{'error_description': '遇到錯誤，請刷新頁面或者重新登錄帳號后再試', 'error_uri': '/v4/statuses/public_timeline_by_category.json', 'error_data': None, 'error_code': '400016'}

 

cookie的破解方式

  • 手動處理：
    • 通過抓包工具將請求攜帶的cookie添加到headers中
    • 弊端：cookie會有有效時長，cookie還是動態變化
  • 自動處理：
    • 使用session進行cookie的自動保存和攜帶，代價有點大
    • session是可以進行請求發送的，發送請求的方式和requests一樣
    • 如果使用session進行請求發送，在請求的過程中產生了cookie，則該cookie會被自動存儲到session對象中
    • 如果使用了攜帶cookie的session再次進行請求發送，則該次請求就時攜帶cookie進行的請求發送
#創建一個session對象
session = requests.Session()
#將cookie保存到session對象中
first_url = 'https://xueqiu.com/'
session.get(url=first_url,headers=headers)#為了獲取cookie且將cookie存儲到session中

url = 'https://xueqiu.com/v4/statuses/public_timeline_by_category.json?since_id=-1&max_id=20343389&count=15&category=-1'
json_data = session.get(url=url,headers=headers).json()#攜帶cookie發起的請求
pprint(json_data)

 

 

驗證碼的識別

驗證碼的識別

下面代碼使用雲打碼上下載的

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: 圖片字節
        codetype: 題目類型 參考 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:報錯題目的圖片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()

 

# 將文件進行報存

def getCodeImgText(imgPath,imgType):
    chaojiying = Chaojiying_Client('bobo328410948', 'bobo328410948', '899370')#用戶中心>>軟件ID 生成一個替換 96001
    im = open(imgPath, 'rb').read()#本地圖片文件路徑 來替換 a.jpg 有時WIN系統須要//
    return chaojiying.PostPic(im,imgType)['pic_str']
#古詩文網的驗證碼識別操作
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)
img_src = 'https://so.gushiwen.org'+tree.xpath('//*[@id="imgCode"]/@src')[0]
print(img_src)
img_data = requests.get(url=img_src,headers=headers).content
with open('codeImg.jpg','wb') as fp:
    fp.write(img_data)
#進行驗證碼的識別
getCodeImgText('codeImg.jpg',1004)

 

 

 

模擬登陸

 

s = requests.Session()
#模擬登陸
#古詩文網的驗證碼識別操作
url = 'https://so.gushiwen.org/user/login.aspx?from=http://so.gushiwen.org/user/collect.aspx'
page_text = s.get(url,headers=headers).text
tree = etree.HTML(page_text)
img_src = 'https://so.gushiwen.org'+tree.xpath('//*[@id="imgCode"]/@src')[0]
img_data = s.get(url=img_src,headers=headers).content
with open('codeImg.jpg','wb') as fp:
    fp.write(img_data)
    
    
#解析動態變化的請求參數
__VIEWSTATE = tree.xpath('//input[@id="__VIEWSTATE"]/@value')[0]
__VIEWSTATEGENERATOR = tree.xpath('//input[@id="__VIEWSTATEGENERATOR"]/@value')[0]
print(__VIEWSTATE,__VIEWSTATEGENERATOR)
#進行驗證碼的識別
code_text = getCodeImgText('codeImg.jpg',1004)
print(code_text)
login_url = 'https://so.gushiwen.org/user/login.aspx?from=http%3a%2f%2fso.gushiwen.org%2fuser%2fcollect.aspx'
data = {
    #下面兩個請求參數是動態變化
    #通長情況下動態變化的請求參數會被隱藏在前台頁面中
    '__VIEWSTATE': __VIEWSTATE,
    '__VIEWSTATEGENERATOR': __VIEWSTATEGENERATOR,
    'from': 'http://so.gushiwen.org/user/collect.aspx',
    'email': 'www.zhangbowudi@qq.com',
    'pwd': 'bobo328410948',
    'code': code_text,
    'denglu': '登錄',
}
#登陸成功之后對應的首頁頁面源碼
main_page_text = s.post(url=login_url,headers=headers,data=data).text
with open('./main.html','w',encoding='utf-8') as fp:
    fp.write(main_page_text)

 


免責聲明！

本站轉載的文章為個人學習借鑒使用，本站對版權不負任何法律責任。如果侵犯了您的隱私權益，請聯系本站郵箱yoyou2525@163.com刪除。



猜您在找 爬蟲(五)：代理IP、Cookie python爬蟲--cookie反爬處理 C# 爬蟲----Cookies處理(Set-Cookie) 爬蟲Proxy（代理）的設置 使用代理的爬蟲 反反爬蟲 IP代理 scrapy框架之cookie和代理操作 爬蟲——cookie模擬登陸 Python爬蟲入門六之Cookie的使用 Java 處理cookie的方法
 
粵ICP備18138465號   © 2018-2025 CODEPRJ.COM