十几年来总结的最经典的项目，用来做python爬虫实践教学！

一、前言

这篇文章之前是给新人培训时用的，大家觉的挺好理解的，所以就分享出来，与大家一起学习。如果你学过一些python，想用它做些什么又没有方向，不妨试试完成下面几个案例。

二、环境准备

安装requests lxml beautifulsoup4 三个库（下面代码均在python3.5环境下通过测试）

pip install requests lxml beautifulsoup4

 

三、几个爬虫小案例

• 获取本机公网ip地址
• 利用百度搜索接口，编写url采集器
• 自动下载搜狗壁纸
• 自动填写调查问卷
• 获取公网代理ip，并判断是否能用、延迟

3.1 获取本机公网ip地址

利用公网上查询ip的借口，使用python的requests库，自动获取ip地址。

import requests
r = requests.get("http://2017.ip138.com/ic.asp")
r.encoding = r.apparent_encoding #使用requests的字符编码智能分析，避免中文乱码
print(r.text)
# 你还可以使用正则匹配re模块提取出ip
import re
print(re.findall("d{1,3}.d{1,3}.d{1,3}.d{1,3}",r.text))

 

3.2 利用百度搜索接口，编写url采集器

这个案例中，我们要使用requests结合beautifulsoup库来完成任务。我们要在程序中设置user-agent头，绕过百度搜索引擎的反爬虫机制（你可以试试不加user-agent头，看看能不能获取到数据）。注意观察百度搜索结构的url链接规律，例如第一页的url链接参数pn=0，第二页的url链接参数pn=10…. 依次类推。这里，我们使用css选择器路径提取数据。

import requests
from bs4 import beautifulsoup
# 设置user-agent头，绕过百度搜索引擎的反爬虫机制
headers = {'user-agent': 'mozilla/5.0 (x11; linux x86_64; rv:52.0) gecko/20100101 firefox/52.0'}
# 注意观察百度搜索结构的url链接规律，例如第一页pn=0，第二页pn=10.... 依次类推，下面的for循环搜索前10页结果
for i in range(0,100,10):
 bd_search = "https://www.baidu.com/s?wd=inurl:/dede/login.php?&pn=%s" % str(i)
 r = requests.get(bd_search,headers=headers)
 soup = beautifulsoup(r.text,"lxml")
 # 下面的select使用了css选择器路径提取数据
 url_list = soup.select(".t > a")
 for url in url_list:
 real_url = url["href"]
 r = requests.get(real_url)
 print(r.url)

编写好程序后，我们使用关键词inurl:/dede/login.php 来批量提取织梦cms的后台地址，效果如下：

 

3.3 自动下载搜狗壁纸

这个例子，我们将通过爬虫来自动下载搜过壁纸，程序中存放图片的路径改成你自己想要存放图片的目录路径即可。还有一点，程序中我们用到了json库，这是因为在观察中，发现搜狗壁纸的地址是以json格式存放，所以我们以json来解析这组数据。

import requests
import json
#下载图片
url = "http://pic.sogou.com/pics/channel/getallrecompicbytag.jsp?category=%e5%a3%81%e7%ba%b8&tag=%e6%b8%b8%e6%88%8f&start=0&len=15&width=1366&height=768"
r = requests.get(url)
data = json.loads(r.text)
for i in data["all_items"]:
 img_url = i["pic_url"]
 # 下面这行里面的路径改成你自己想要存放图片的目录路径即可
 with open("/home/evilk0/desktop/img/%s" % img_url[-10:]+".jpg","wb") as f:
 r2 = requests.get(img_url)
 f.write(r2.content)
 print("下载完毕：",img_url)

 

3.4 自动填写调查问卷

目标官网：https://www.wjx.cn

目标问卷：https://www.wjx.cn/jq/21581199.aspx

import requests
import random
url = "https://www.wjx.cn/joinnew/processjq.ashx?submittype=1&curid=21581199&t=1521463484600&starttime=2018%2f3%2f19%2020%3a44%3a30&rn=990598061.78751211"
data = {
 "submitdata" : "1$%s}2$%s}3$%s}4$%s}5$%s}6$%s}7$%s}8$%s}9$%s}10$%s"
}
header = {
 "user-agent" : "mozilla/5.0 (x11; linux x86_64) applewebkit/537.36 (khtml, like gecko)",
 "cookie": ".aspxanonymous=ibuvxgz20wekaaaazgy4mde1mjctnwu4ni00mduwltgwyjqtmjfhmmzhmde2mta3h_bb3gnw4xrpsyh-qph4xw1mfj41; spiderregkey=baidu.com%c2%a7%e7%9b%b4%e8%be%be%c2%a71; um_distinctid=1623e28d4df22d-08d0140291e4d5-102c1709-100200-1623e28d4e1141; _umdata=535523100cbe37c329c8a3eeeee289b573446f594297cc3bb3c355f09187f5adcc492ebb07a9cc65cd43ad3e795c914cd57017ee3799e92f0e2762c963ef0912; wjxuser=username=17750277425&type=1; lastcheckupdatedate=1; lastcheckdesign=1; deleteqcookie=1; _cnzz_cv4478442=%e7%94%a8%e6%88%b7%e7%89%88%e6%9c%ac%7c%e5%85%8d%e8%b4%b9%e7%89%88%7c1521461468568; jac21581199=78751211; cnzzdata4478442=cnzz_eid%3d878068609-1521456533-https%253a%252f%252fwww.baidu.com%252f%26ntime%3d1521461319; hm_lvt_21be24c80829bd7a683b2c536fcf520b=1521461287,1521463471; hm_lpvt_21be24c80829bd7a683b2c536fcf520b=1521463471",
}
for i in range(0,500):
 choice = (
 random.randint(1, 2),
 random.randint(1, 4),
 random.randint(1, 3),
 random.randint(1, 4),
 random.randint(1, 3),
 random.randint(1, 3),
 random.randint(1, 3),
 random.randint(1, 3),
 random.randint(1, 3),
 random.randint(1, 3),
 )
 data["submitdata"] = data["submitdata"] % choice
 r = requests.post(url = url,headers=header,data=data)
 print(r.text)
 data["submitdata"] = "1$%s}2$%s}3$%s}4$%s}5$%s}6$%s}7$%s}8$%s}9$%s}10$%s"

当我们使用同一个ip提交多个问卷时，会触发目标的反爬虫机制，服务器会出现验证码。

 

 

我们可以使用x-forwarded-for来伪造我们的ip，修改后代码如下：

import requests
import random
url = "https://www.wjx.cn/joinnew/processjq.ashx?submittype=1&curid=21581199&t=1521463484600&starttime=2018%2f3%2f19%2020%3a44%3a30&rn=990598061.78751211"
data = {
 "submitdata" : "1$%s}2$%s}3$%s}4$%s}5$%s}6$%s}7$%s}8$%s}9$%s}10$%s"
}
header = {
 "user-agent" : "mozilla/5.0 (x11; linux x86_64) applewebkit/537.36 (khtml, like gecko)",
 "cookie": ".aspxanonymous=ibuvxgz20wekaaaazgy4mde1mjctnwu4ni00mduwltgwyjqtmjfhmmzhmde2mta3h_bb3gnw4xrpsyh-qph4xw1mfj41; spiderregkey=baidu.com%c2%a7%e7%9b%b4%e8%be%be%c2%a71; um_distinctid=1623e28d4df22d-08d0140291e4d5-102c1709-100200-1623e28d4e1141; _umdata=535523100cbe37c329c8a3eeeee289b573446f594297cc3bb3c355f09187f5adcc492ebb07a9cc65cd43ad3e795c914cd57017ee3799e92f0e2762c963ef0912; wjxuser=username=17750277425&type=1; lastcheckupdatedate=1; lastcheckdesign=1; deleteqcookie=1; _cnzz_cv4478442=%e7%94%a8%e6%88%b7%e7%89%88%e6%9c%ac%7c%e5%85%8d%e8%b4%b9%e7%89%88%7c1521461468568; jac21581199=78751211; cnzzdata4478442=cnzz_eid%3d878068609-1521456533-https%253a%252f%252fwww.baidu.com%252f%26ntime%3d1521461319; hm_lvt_21be24c80829bd7a683b2c536fcf520b=1521461287,1521463471; hm_lpvt_21be24c80829bd7a683b2c536fcf520b=1521463471",
 "x-forwarded-for" : "%s"
}
for i in range(0,500):
 choice = (
 random.randint(1, 2),
 random.randint(1, 4),
 random.randint(1, 3),
 random.randint(1, 4),
 random.randint(1, 3),
 random.randint(1, 3),
 random.randint(1, 3),
 random.randint(1, 3),
 random.randint(1, 3),
 random.randint(1, 3),
 )
 data["submitdata"] = data["submitdata"] % choice
 header["x-forwarded-for"] = (str(random.randint(1,255))+".")+(str(random.randint(1,255))+".")+(str(random.randint(1,255))+".")+str(random.randint(1,255))
 r = requests.post(url = url,headers=header,data=data)
 print(header["x-forwarded-for"],r.text)
 data["submitdata"] = "1$%s}2$%s}3$%s}4$%s}5$%s}6$%s}7$%s}8$%s}9$%s}10$%s"
 header["x-forwarded-for"] = "%s"

效果图：

 

 

 

关于这篇文章，因为之前写过，不赘述，感兴趣直接看： 【如何通过python实现自动填写调查问卷】

3.5 获取公网代理ip，并判断是否能用、延迟时间

这一个例子中，我们想爬取 【西刺代理】上的代理ip，并验证这些代理的存活性以及延迟时间。（你可以将爬取的代理ip添加进proxychain中，然后进行平常的渗透任务。）这里，我直接调用了linux的系统命令ping -c 1 " + ip.string + " | awk 'nr==2{print}' - ，如果你想在windows中运行这个程序，需要修改倒数第三行os.popen中的命令，改成windows可以执行的即可。

from bs4 import beautifulsoup
import requests
import os
url = "http://www.xicidaili.com/nn/1"
headers = {'user-agent': 'mozilla/5.0 (x11; linux x86_64) applewebkit/537.36 (khtml, like gecko) chrome/62.0.3202.62 safari/537.36'}
r = requests.get(url=url,headers=headers)
soup = beautifulsoup(r.text,"lxml")
server_address = soup.select(".odd > td:nth-of-type(4)")
ip_list = soup.select(".odd > td:nth-of-type(2)")
ports = soup.select(".odd > td:nth-of-type(3)")
for server,ip in zip(server_address,ip_list):
 if len(server.contents) != 1:
 print(server.a.string.ljust(8),ip.string.ljust(20), end='')
 else:
 print("未知".ljust(8), ip.string.ljust(20), end='')
 delay_time = os.popen("ping -c 1 " + ip.string + " | awk 'nr==2{print}' -")
 delay_time = delay_time.read().split("time=")[-1].strip("
")
 print("time = " + delay_time)

 

 

四、结语

当然，你还可以用python干很多有趣的事情。