欢迎您访问程序员文章站本站旨在为大家提供分享程序员计算机编程知识!
您现在的位置是: 首页  >  IT编程

06 Python网络爬虫requets模块高级用法

程序员文章站 2022-07-02 17:59:37
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 ......

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。

 1 import requests
 2 if __name__ == "__main__":
 3 
 4     #登录请求的url(通过抓包工具获取)
 5     post_url = 'http://www.renren.com/ajaxlogin/login?1=1&uniquetimestamp=201873958471'
 6     #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
 7     session = requests.session()
 8    #伪装ua
 9     headers={
10         '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',
11     }
12     formdata = {
13         'email': '17701256561',
14         'icode': '',
15         'origurl': 'http://www.renren.com/home',
16         'domain': 'renren.com',
17         'key_id': '1',
18         'captcha_type': 'web_login',
19         'password': '7b456e6c3eb6615b2e122a2942ef3845da1f91e3de075179079a3b84952508e4',
20         'rkey': '44fd96c219c593f3c9612360c80310a3',
21         'f': 'https%3a%2f%2fwww.baidu.com%2flink%3furl%3dm7m_nsup5ri_zrk5enipn_dms48uacvt-n_kmyswgyw%26wd%3d%26eqid%3dba95daf5000065ce000000035b120219',
22     }
23     #使用session发送请求,目的是为了将session保存该次请求中的cookie
24     session.post(url=post_url,data=formdata,headers=headers)
25 
26     get_url = 'http://www.renren.com/960481378/profile'
27     #再次使用session进行请求的发送,该次请求中已经携带了cookie
28     response = session.get(url=get_url,headers=headers)
29     #设置响应内容的编码格式
30     response.encoding = 'utf-8'
31     #将响应内容写入文件
32     with open('./renren.html','w') as fp:
33         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

 1 import requests
 2 import random
 3 if __name__ == "__main__":
 4     #不同浏览器的ua
 5     header_list = [
 6         # 遨游
 7         {"user-agent": "mozilla/4.0 (compatible; msie 7.0; windows nt 5.1; maxthon 2.0)"},
 8         # 火狐
 9         {"user-agent": "mozilla/5.0 (windows nt 6.1; rv:2.0.1) gecko/20100101 firefox/4.0.1"},
10         # 谷歌
11         {
12             "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"}
13     ]
14     #不同的代理ip
15     proxy_list = [
16         {"http": "112.115.57.20:3128"},
17         {'http': '121.41.171.223:3128'}
18     ]
19     #随机获取ua和代理ip
20     header = random.choice(header_list)
21     proxy = random.choice(proxy_list)
22 
23     url = 'http://www.baidu.com/s?ie=utf-8&wd=ip'
24     #参数3:设置代理
25     response = requests.get(url=url,headers=header,proxies=proxy)
26     response.encoding = 'utf-8'
27     
28     with open('daili.html', 'wb') as fp:
29         fp.write(response.content)
30     #切换成原来的ip
31     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

 1 %%time
 2 import requests
 3 import random
 4 from lxml import etree
 5 import re
 6 from fake_useragent import useragent
 7 #安装fake-useragent库:pip install fake-useragent
 8 #导入线程池模块
 9 from multiprocessing.dummy import pool
10 #实例化线程池对象
11 pool = pool()
12 url = 'http://www.pearvideo.com/category_1'
13 #随机产生ua
14 ua = useragent().random
15 headers = {
16     'user-agent':ua
17 }
18 #获取首页页面数据
19 page_text = requests.get(url=url,headers=headers).text
20 #对获取的首页页面数据中的相关视频详情链接进行解析
21 tree = etree.html(page_text)
22 li_list = tree.xpath('//div[@id="listvideolist"]/ul/li')
23 
24 detail_urls = []#存储二级页面的url
25 for li in li_list:
26     detail_url = 'http://www.pearvideo.com/'+li.xpath('./div/a/@href')[0]
27     title = li.xpath('.//div[@class="vervideo-title"]/text()')[0]
28     detail_urls.append(detail_url)
29     
30 vedio_urls = []#存储视频的url
31 for url in detail_urls:
32     page_text = requests.get(url=url,headers=headers).text
33     vedio_url = re.findall('srcurl="(.*?)"',page_text,re.s)[0]
34     vedio_urls.append(vedio_url) 
35 #使用线程池进行视频数据下载    
36 func_request = lambda link:requests.get(url=link,headers=headers).content
37 video_data_list = pool.map(func_request,vedio_urls)
38 #使用线程池进行视频数据保存
39 func_savedata = lambda data:save(data)
40 pool.map(func_savedata,video_data_list)
41 def save(data):
42     filename = str(random.randint(1,10000))+'.mp4'
43     with open(filename,'wb') as fp:
44         fp.write(data)
45         print(filename+'已存储')
46         
47 pool.close()
48 pool.join()