爬虫之requests进阶

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...