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

爬虫之requests进阶

程序员文章站 2022-03-26 12:19:41
requests模块高级 代理(反爬机制) 短时间向一个服务器发起高频请求,会被认定为异常请求,将当前IP列入黑名单 概念:在爬虫中指的就是代理服务器 代理服务器的作用: 拦截请求和响应,进行转发 代理和爬虫之间的关联? 如果pc端IP被禁掉后,我们就可以使用代理机制更换请求的IP 如何获取相关的代 ......

requests模块高级

代理(反爬机制)

短时间向一个服务器发起高频请求,会被认定为异常请求,将当前ip列入黑名单

  • 概念:在爬虫中指的就是代理服务器
  • 代理服务器的作用:
    • 拦截请求和响应,进行转发
  • 代理和爬虫之间的关联?
    • 如果pc端ip被禁掉后,我们就可以使用代理机制更换请求的ip
  • 如何获取相关的代理服务器
    • 快代理:https://www.kuaidaili.com/
    • 西刺代理:https://www.xicidaili.com/
    • 代理精灵:http://http.zhiliandaili.com/(推荐使用,便宜)
    • 购半价:http://www.goubanjia.com/
  • 匿名度
    • 透明:知道你使用代理,也知道你的真实ip
    • 匿名:对方服务器知道你使用了代理机制,但是不会到你的真实ip
    • 高匿名:对方服务器不知道你使用了代理机制,更不知道你的真实ip
  • 类型
    • http:只可以拦截转发http协议的请求
    • https:证书秘钥加密,只可以转发拦截https的请求

基本使用

  • 基于搜狗ip搜索,搜索到的页面中会显示该请求对应的ip地址
    • https://www.sogou.com/web?query=ip
  • 语法结构
    • get/post(proxies={'http/https':'ip:prot'})
import requests
from lxml import etree
headers = {
    'user-agent': 'mozilla/5.0 (windows nt 10.0; win64; x64) applewebkit/537.36 (khtml, like gecko) chrome/80.0.3987.132 safari/537.36'
}
url = "https://www.sogou.com/web?query=ip"
# 代理机制对应的就是get或者post方法中一个叫做proxies的参数
page_text = requests.get(url=url,headers=headers,proxies={"https":'221.1.200.242:38652'}).text
tree = etree.html(page_text)
# 在xpath表达式中不能出现tbody标签
ip = tree.xpath('//*[@id="ipsearchresult"]/strong/text()')[0]
print(ip)

代理池案例

爬取某一网站请求过多会被封ip,所以要使用代理池

  • 将西刺代理中的免费代理ip进行爬取
    • https://www.xicidaili.com/nn/
import requests
import random
from lxml import etree
headers = {
    'user-agent': 'mozilla/5.0 (windows nt 10.0; win64; x64) applewebkit/537.36 (khtml, like gecko) chrome/80.0.3987.132 safari/537.36'
}

all_ips = []
api_url = "购买代理精灵付费ip生成的html的地址"
api_text = requests.get(url=api_url,headers=headers).text
api_tree = etree.html(api_text)
datas = api_tree.path('//body//text()')     # 取出所有文本
for data in datas:
    dic = {
        'https':data
    }
    all_ips.append(dic)     # 以字典的形式[{},{}...]
url = "https://www.xicidaili.com/nn/%d"  # 定义一个通用的url模板
ip_datas = []  # 解析到的所有数据
for page_num in range(1,50):    # 页码越多,代理池ip就越多,ip有效时长多一点
    new_url = format(url%page_num)
    page_text=requests.get(url=new_url,headers=headers,proxies=random.choice(all_ips)).text
    tree =etree.html(page_text)
    tr_lst = tree.xpath('//*[@id="ip_list"]//tr')[1:]
    for tr in tr_lst:# 局部数据解析
        ip = tr.xpath('./td[2]/text()')[0]
        prot = tr.xpath('./td[3]/text()')[0]
        dic_ = {
            "https":ip + ":" + prot
        }
        ip_datas.append(dic_)
print(len(datas))   # 爬取到的ip

模拟登录

  • 为什么要实现模拟登录?
    • 相关页面是必须经过登陆之后才可见的

验证码处理

  • 验证码的处理

    • 使用相关的打码平台进行验证码的动态识别

    • 打码平台

      • 超级鹰(推荐,可以识别12306验证)
        • http://www.chaojiying.com/
      • 云打码
        • http://yundama.com/
        • 创建开发者帐号,普通用户登录无法创建id
    • 超级鹰使用流程

      • 注册【用户中心】身份的帐号

      • 登录

        • 创建一个软件

          用户中心→软件id→添加软件

        • 下载示例代码

#!/usr/bin/env python
# coding:utf-8

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: 图片字节
        codetype: 题目类型 参考 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:报错题目的图片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()

# 封装一个验证码识别的函数
def transform_code(imgpath,imgtype):
    chaojiying = chaojiying_client('超级鹰用户名', '超级鹰用户名的密码', '用户中心>>软件id')
    im = open(imgpath, 'rb').read()
    return chaojiying.postpic(im, imgtype)['pic_str']

cookie处理

  • 手动处理
    • 将请求携带的cookie封装到headers中
  • 自动处理
    • session对象,该对象和requests都可以进行get和post请求的发送; 使用session对象发送请求过程中,产生的cookie会被自动存储到session对象中; cookie存储到session对象中后,再次使用session进行请求发送,则该次请求就是携带着cookie发送的请求。
    • session处理cookie的时候,session对象最少发几次请求?
      • 两次。第一次是为了获取和存储cookie;第二次才是携带cookie进行的请求发送。
    • session = requests.session()

需求:爬取雪球网中的新闻标题和内容

  • 手动处理cookie
    • 有局限性,不能保证cookie的有效时长
import requests

headers = {
    'user-agent': 'mozilla/5.0 (windows nt 10.0; win64; x64) applewebkit/537.36 (khtml, like gecko) chrome/80.0.3987.132 safari/537.36',
    # 手动处理
    'cookie':'aliyungf_tc=aqaaanpdtcedngqa0evi33fxpcso1bvs; acw_tc=2760823015846080972884781e8f986f089c7939870e775a86ffb898ca91d4; xq_a_token=a664afb60c7036c7947578ac1a5860c4cfb6b3b5; xqat=a664afb60c7036c7947578ac1a5860c4cfb6b3b5; xq_r_token=01d9e7361ed17caf0fa5eff6465d1c90dbde9ae2; xq_id_token=eyj0exaioijkv1qilcjhbgcioijsuzi1nij9.eyj1awqioi0xlcjpc3mioij1yyisimv4cci6mtu4ntm2mjywnywiy3rtijoxntg0nja4mdcwnzy4lcjjawqioijkowqwbjrbwnvwin0.gwlwgxwjdywungniatqxswjjo6nkjy9pcj0acif9vuhvsuxei7iw7_wivbhdc1wtk86j8ayj_bzd-kxyshad1z8kym6tv80l931tmestgj1i6up66wsauz3pydbc4ko1chueqmw_nca1uhsjwrc-4mokmmbbll6ryvpsocfrxrvrqy-dx_1ubcs_bsrcaakyoecwxo01tgfqqovebd9apgudaxtqc3hajptlzpqyh62cyyijzwhgsbi0emf1k1wmp_539girzempne7ngk6n1i8tqtdh_xadtfffk07g177w84nvujfsb8hpca6rzydugpamawqqjcpeusdzdkhkda; u=301584608097293; hm_lvt_1db88642e346389874251b5a1eded6e3=1584608100; device_id=24700f9f1986800ab4fcc880530dd0ed; cookiesu=901584608234987; hm_lpvt_1db88642e346389874251b5a1eded6e3=1584608235'
}

url = 'https://xueqiu.com/v4/statuses/public_timeline_by_category.json?'
params = {
    'since_id': '-1',
    'max_id': '20369159',
    'count': '15',
    'category': '-1',
}
page_json = requests.get(url=url,headers=headers,params=params).json()
print(page_json)
  • 自动处理
    • 推荐使用,每次都可以获取新的cookie
import requests

headers = {
    'user-agent': 'mozilla/5.0 (windows nt 10.0; win64; x64) applewebkit/537.36 (khtml, like gecko) chrome/80.0.3987.132 safari/537.36'
}
# 实例化一个session对象
session = requests.session()
# 试图将cookie获取且存储到session对象中,url得试着来
session.get('https://xueqiu.com/',headers=headers)
# url地址
url = 'https://xueqiu.com/v4/statuses/public_timeline_by_category.json?'
# 发请求索携带的参数
params = {
    'since_id': '-1',
    'max_id': '20369159',
    'count': '15',
    'category': '-1',
}
# 携带cookie的发送求情
page_json = session.get(url=url,headers=headers,params=params).json()
print(page_json)

案例:古诗文网模拟登陆

  • url:https://so.gushiwen.org/user/login.aspx?from=http://so.gushiwen.org/user/collect.aspx
  • 分析
    • 通过抓包工具定位到点击登录按钮对应的数据包(包含用户名、密码、验证码)
    • 从数据包中取出请求的url,请求方式,请求参数
import requests
from lxml import etree

headers = {
    'user-agent': 'mozilla/5.0 (windows nt 10.0; win64; x64) applewebkit/537.36 (khtml, like gecko) chrome/80.0.3987.132 safari/537.36'
}

# 网站涉及到cookie,直接实例化session对象,所有请求都用session发送
session = requests.session()

# 验证码识别
first_url = "https://so.gushiwen.org/user/login.aspx?from=http://so.gushiwen.org/user/collect.aspx"
page_text = session.get(first_url,headers=headers).text
tree = etree.html(page_text)
code_img_src = "https://so.gushiwen.org/" + tree.xpath('//*[@id="imgcode"]/@src')[0]

# 对验证码图片的地址进行发请求,产生了cookie
code_img_data = session.get(code_img_src,headers=headers).content
with open('./code.jpg','wb') as f:
    f.write(code_img_data)

# 基于超级鹰识别验证码,可以将超级鹰的包导入,因为我用的是jupyter,上面运行过超级鹰的包和我写的函数,所以直接拿来用了,使用pycharm的话就导入一下
# from 超级鹰py文件路径 import transform_code
code_img_text = transform_code('./code.jpg',1902)
# 识别验证码也不是百分百成功的,所以查看一下
print(code_img_text)

url = 'https://so.gushiwen.org/user/login.aspx'
# 动态参数
data = {
    '__viewstate': 'ldci9gbqvef2rdrer42gqu3m7xrls5iibh9mpop+qc1oncwpo9eqczsxuhhinxi26x0x19nb1l6gw26sc8qi4q/xnapck67ogf/fgdofhuewfpnrlznjctqf/no=',
    '__viewstategenerator': 'c93be1ae',
    'from': 'http://so.gushiwen.org/user/collect.aspx',
    'email': '网站用户名',
    'pwd': '网站用户名对应的密码',
    'code': code_img_text,    # 验证码
    'denglu': '登录',
}
page_text = session.post(url=url,headers=headers,data=data).text
with open('./古诗文.html','w',encoding='utf-8') as f:
    # 将登陆后的页面持久化存储
    f.write(page_text)

遇到了动态变化的请求参数该如何处理?

  • 通常情况下,动态变化的请求参数的值都会被隐藏在前台页面中
  • 基于抓包工具进行全局搜索(基于js逆向获取相关的参数值)

语音合成

基于百度ai开放平台,全部免费。

  • 在线合成python-sdk文档地址:https://cloud.baidu.com/doc/speech/s/zk4nlz99s

案例:文本数据合成音频文件

  • 需求:爬取文本数据将其通过百度ai的语音合成功能将文字合成音频文件,并将音频文件部署到flask服务器中进行播放
  • 爬取段子网的一句话段子为例,合成音频文件
import requests
import os
from lxml import etree
from aip import aipspeech

# 请求头信息
headers = {
    'user-agent': 'mozilla/5.0 (windows nt 10.0; win64; x64) applewebkit/537.36 (khtml, like gecko) chrome/80.0.3987.132 safari/537.36'
}

# 实例化一个aipspeech对象
""" 你的 appid ak sk """
app_id = '18937972'
api_key = 'zdkcbvifz6trove2txdelcgs'
secret_key = 'owrrlm2iebwa2vf8hu4um8q5oezwuanp'
client = aipspeech(app_id, api_key, secret_key)

# 创建存放音频的文件夹
dirname = 'static'
if not os.path.exists(dirname):
    os.mkdir(dirname)

# 通用url地址
all_url = 'https://duanziwang.com/category/%e4%b8%80%e5%8f%a5%e8%af%9d%e6%ae%b5%e5%ad%90/{}/'
# 全站爬取,随便爬取10页
for num in range(1,11):
    url = all_url.format(num)
    page_text = requests.get(url=url,headers=headers).text
    tree = etree.html(page_text)
    article_list = tree.xpath('/html/body/section/div/div/main/article')
    for art in article_list:
        # 采集音频文件的存储路径、名字、后缀
        title = "./static/" + art.xpath('./div[1]/h1/a/text()')[0] + ".mp3"
        content = art.xpath('./div[2]/p/text()')[0]
        # 百度ai接口调用
        result  = client.synthesis(content, 'zh', 1, {
            # 音量1-15
            'vol': 5,
            # 发声,0女,1男
            'per': 0,
            # 语速1-9
            'spd': 5,
        })
        # 识别正确返回语音二进制 错误则返回dict 参照下面错误码
        if not isinstance(result, dict):
            with open(title, 'wb') as f:
                f.write(result)
print("over!")

flask搭建

未完待续...