06 Python网络爬虫requets模块高级用法

2023-03-15 16:07:25

一. 基于requests模块的cookie操作

　　- cookie概念: 当用户通过浏览器访问一个域名的时候,访问的web服务器会给客户端发送数据，以保持web服务器与客户端之间的状态保持，这些数据就是cookie。

　　- cookie作用：我们在浏览器中，经常涉及到数据交换。Cookie是由HTTP服务器设置的，保存在浏览器中，但HTTP协议是一种无状态协议，在数据交换完毕后，服务器端和客户端的链接就会关闭，每次交换数据都需要建立新的链接。，用cookie来记住我们的信息，就很方便，不用每次都输入验证信息。

　　应用：

　　　　有些时候，我们在使用爬虫程序去爬取一些用户相关信息的数据（爬取张三“人人网”个人主页数据）时，如果使用之前requests模块常规操作时，往往达不到我们想要的目的。如何爬取某个人的人人网信息页呢？

　　思路：

　　　　1.我们需要使用爬虫程序对人人网登录时的请求进行一次抓取，获取请求中的cookie数据

　　　　2.再使用个人信息页的url进行请求时，该请求需要携带步骤1中的cookie，只有携带了cookie后，服务器才能识别这次请求的用户信息，才可响应回指定的用户信息页数据。

 import requests

 if __name__ == "__main__":

     #登录请求的url（通过抓包工具获取）

     post_url = 'http://www.renren.com/ajaxLogin/login?1=1&uniqueTimestamp=201873958471'

     #创建一个session对象，该对象会自动将请求中的cookie进行存储和携带

     session = requests.session()

    #伪装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': '',

         'icode': '',

         'origURL': 'http://www.renren.com/home',

         'domain': 'renren.com',

         'key_id': '',

         '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发送请求，目的是为了将session保存该次请求中的cookie

     session.post(url=post_url,data=formdata,headers=headers)

     get_url = 'http://www.renren.com/960481378/profile'

     #再次使用session进行请求的发送，该次请求中已经携带了cookie

     response = session.get(url=get_url,headers=headers)

     #设置响应内容的编码格式

     response.encoding = 'utf-8'

     #将响应内容写入文件

     with open('./renren.html','w') as fp:

         fp.write(response.text)

二.基于requests模块的代理操作

　　1. 什么是代理？

　　　　第三方代替本体处理相关事务。

　　2.爬虫中为什么需要使用代理？

　　　　一些网站会有相应的反爬措施，例如很多网站会检测某一段时间某个IP的访问次数，如果访问频率太快，则会被认为是不正常访问，就会屏蔽这个IP。所以需要设置一些代理IP，每隔一段时间就换一个，就算IP被禁止了，依然可以换一个继续爬取数据。

　　3.代理的分类

　　　　1.正向代理：代理客户端获取数据。正向代理是为了保护客户端防止被追究责任。

　　　　2.反向代理：代理服务器提供数据。反向代理是为了保护服务器或者负责负载均衡

　　4.免费提供代理IP的网站（提供的IP几分钟一更新）

　　　　http://www.goubanjia.com/

　　　　西祠代理

　　　　快代理

 import requests

 import random

 if __name__ == "__main__":

     #不同浏览器的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'}

     ]

     #随机获取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'

     #参数3：设置代理

     response = requests.get(url=url,headers=header,proxies=proxy)

     response.encoding = 'utf-8'

     with open('daili.html', 'wb') as fp:

         fp.write(response.content)

     #切换成原来的IP

     requests.get(url, proxies={"http": ""})

三.利用multiprocessing.dummy线程池的数据爬取

　　需求：爬取梨视频的视频信息，并计算其爬取数据的耗时

 %%time

 import requests

 import random

 from lxml import etree

 import re

 from fake_useragent import UserAgent

 #安装fake-useragent库:pip install fake-useragent

 #导入线程池模块

 from multiprocessing.dummy import Pool

 #实例化线程池对象

 pool = Pool()

 url = 'http://www.pearvideo.com/category_1'

 #随机产生UA

 ua = UserAgent().random

 headers = {

     'User-Agent':ua

 }

 #获取首页页面数据

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

 #对获取的首页页面数据中的相关视频详情链接进行解析

 tree = etree.HTML(page_text)

 li_list = tree.xpath('//div[@id="listvideoList"]/ul/li')

 detail_urls = []#存储二级页面的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 = []#存储视频的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)

 #使用线程池进行视频数据下载

 func_request = lambda link:requests.get(url=link,headers=headers).content

 video_data_list = pool.map(func_request,vedio_urls)

 #使用线程池进行视频数据保存

 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+'已存储')

 pool.close()

 pool.join()

https://www.cnblogs.com/bobo-zhang/p/9680673.html

码农公寓

相关文章