06 Python网络爬虫requets模块高级用法

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()