python爬虫（3）——用户和IP代理池、抓包分析、异步请求数据、腾讯视频评论爬虫

用户代理池

用户代理池就是将不同的用户代理组建成为一个池子，随后随机调用。

作用：每次访问代表使用的浏览器不一样

import urllib.request
import re
import random
uapools=[
    'mozilla/5.0 (windows nt 10.0; win64; x64; rv:68.0) gecko/20100101 firefox/68.0',
    'mozilla/5.0 (windows nt 10.0; wow64) applewebkit/537.36 (khtml, like gecko) chrome/57.0.2987.98 safari/537.36 lbbrowser',
    'mozilla/5.0 (windows nt 6.1; wow64) applewebkit/535.1 (khtml, like gecko) chrome/14.0.835.163 safari/535.1',
    'mozilla/5.0 (windows; u; windows nt 6.1; ) applewebkit/534.12 (khtml, like gecko) maxthon/3.0 safari/534.12',
]
def ua(uapools):
    thisua=random.choice(uapools)
    print(thisua)
    headers=("user-agent",thisua)
    opener=urllib.request.build_opener()
    opener.addheaders=[headers]
    urllib.request.install_opener(opener)

for i in range(10):
    ua(uapools)
    thisurl="https://www.qiushibaike.com/text/page/"+str(i+1)+"/";
    data=urllib.request.urlopen(thisurl).read().decode("utf-8","ignore")
    pat='<div class="content">.*?<span>(.*?)</span>.*?</div>'
    res=re.compile(pat,re.s).findall(data)
    for j in range(len(res)):
        print(res[j])
        print('---------------------')

ip代理与ip代理池的构建的两种方案

搜索西刺、大象代理ip

尽量选国外的ip。

import  urllib.request
ip="219.131.240.35"
proxy=urllib.request.proxyhandler({"http":ip})
opener=urllib.request.build_opener(proxy,urllib.request.httphandler)
urllib.request.install_opener(opener)
url="https://www.baidu.com/"
data=urllib.request.urlopen(url).read()
fp=open("ip_baidu.html","wb")
fp.write(data)
fp.close()

ip代理池构建的第一种方式（适合代理ip稳定的情况）

import random
import urllib.request
ippools=[
    "163.125.70.22",
    "111.231.90.122",
    "121.69.37.6",
]

def ip(ippools):
    thisip=random.choice(ippools)
    print(thisip)
    proxy=urllib.request.proxyhandler({"http":thisip})
    opener=urllib.request.build_opener(proxy,urllib.request.httphandler)
    urllib.request.install_opener(opener)

for i in range(5):
    try:
        ip(ippools)
        url="https://www.baidu.com/"
        data=urllib.request.urlopen(url).read().decode("utf-8","ignore")
        print(len(data))
        fp=open("ip_res/ip_baidu_"+str(i+1)+".html","w")
        fp.write(data)
        fp.close()
    except exception as err:
        print(err)

ip代理池构建的第二种方式（接口调用法，更适合代理ip不稳定的情况）

此方法因为经济原因暂时鸽着。

淘宝商品图片爬虫

现在的淘宝反爬虫，下面这份代码已经爬不了了，但可以作为练习。

import urllib.request
import re
import random
keyname="python"
key=urllib.request.quote(keyname) #网址不能有中文，这里处理中文
uapools=[
    'mozilla/5.0 (windows nt 10.0; win64; x64; rv:68.0) gecko/20100101 firefox/68.0',
    'mozilla/5.0 (windows nt 10.0; wow64) applewebkit/537.36 (khtml, like gecko) chrome/57.0.2987.98 safari/537.36 lbbrowser',
    'mozilla/5.0 (windows nt 6.1; wow64) applewebkit/535.1 (khtml, like gecko) chrome/14.0.835.163 safari/535.1',
    'mozilla/5.0 (windows; u; windows nt 6.1; ) applewebkit/534.12 (khtml, like gecko) maxthon/3.0 safari/534.12',
]
def ua(uapools):
    thisua=random.choice(uapools)
    print(thisua)
    headers=("user-agent",thisua)
    opener=urllib.request.build_opener()
    opener.addheaders=[headers]
    urllib.request.install_opener(opener)

for i in range(1,11): #第1页到第10页
    ua(uapools)
    url="https://s.taobao.com/search?q="+key+"&s="+str((i-1)*44)
    data=urllib.request.urlopen(url).read().decode("utf-8","ignore")
    pat='pic_url":"//(.*?)"'
    imglist=re.compile(pat).findall(data)
    print(len(imglist))
    for j in range(len(imglist)):
        thisimg=imglist[j]
        thisimgurl="https://"+thisimg
        localfile="淘宝图片/"+str(i)+str(j)+".jpg"
        urllib.request.urlretrieve(thisimgurl,localfile)

同时使用用户代理池和ip代理池

封装成函数：

import urllib.request
import re
import random
uapools=[
    'mozilla/5.0 (windows nt 10.0; win64; x64; rv:68.0) gecko/20100101 firefox/68.0',
    'mozilla/5.0 (windows nt 10.0; wow64) applewebkit/537.36 (khtml, like gecko) chrome/57.0.2987.98 safari/537.36 lbbrowser',
    'mozilla/5.0 (windows nt 6.1; wow64) applewebkit/535.1 (khtml, like gecko) chrome/14.0.835.163 safari/535.1',
    'mozilla/5.0 (windows; u; windows nt 6.1; ) applewebkit/534.12 (khtml, like gecko) maxthon/3.0 safari/534.12',
]
ippools=[
    "163.125.70.22",
    "111.231.90.122",
    "121.69.37.6",
]
def ua_ip(myurl):
    def ip(ippools,uapools):
        thisip=random.choice(ippools)
        print(thisip)
        thisua = random.choice(uapools)
        print(thisua)
        headers = ("user-agent", thisua)
        proxy=urllib.request.proxyhandler({"http":thisip})
        opener=urllib.request.build_opener(proxy,urllib.request.httphandler)
        opener.addheaders = [headers]
        urllib.request.install_opener(opener)

    for i in range(5):
        try:
            ip(ippools,uapools)
            url=myurl
            data=urllib.request.urlopen(url).read().decode("utf-8","ignore")
            print(len(data))
            break
        except exception as err:
            print(err)
    return data
data=ua_ip("https://www.baidu.com/")
fp=open("uaip.html","w",encoding="utf-8")
fp.write(data)
fp.close()

封装成模块：

把模块拷贝到python目录

使用：

from uaip import *
data=ua_ip("https://www.baidu.com/")
fp=open("baidu.html","w",encoding="utf-8")
fp.write(data)
fp.close()

抓包分析

fiddler工具：用作代理服务器，request和response都要经过fiddler

选用火狐浏览器，设置网络：

设置https协议：打开fiddler的工具的选项，打上勾

然后点actions选导入到桌面。

再回到火狐的设置

导入桌面上的证书

常用命令clear：清屏

自动进行ajax异步请求数据

如微博，拖到下面的时候数据才加载出来，不是同步出来的。再如“点击加载更多”，都是异步，需要抓包分析。

看下面这个栗子。

腾讯视频评论（深度解读）爬虫实战

在火狐浏览器打开腾讯视频，比如https://v.qq.com/x/cover/j6cgzhtkuonf6te.html

点击查看更多解读，这时fiddler会有一个js文件：

里面的内容就是评论。

找到一条评论转一下码：

在火狐里ctrl+f看看有没有这条评论。

copy js文件的url。

点击查看更多评论，再触发一个json，copy url

分析两个url：

简化一下网页试试：

通过分析，我们可以知道j6cg……是视频id，reqnum是每次查看的评论数量，commentid是评论id

】?reqnum=【num】&commentid=【cid】

1. 单页评论爬虫
   有一些特殊字符比如图片现在还不知道怎么处理……以后再说吧

import urllib.request
import re
from uaip import *
vid="j6cgzhtkuonf6te"
cid="6227734628246412645"
num="3" #每页提取3个
url="https://video.coral.qq.com/filmreviewr/c/upcomment/"+vid+"?reqnum="+num+"&commentid="+cid
data=ua_ip(url)
titlepat='"title":"(.*?)","abstract":"'
commentpat='"content":"(.*?)",'
titleall=re.compile(titlepat,re.s).findall(data)
commentall=re.compile(commentpat,re.s).findall(data)
# print(len(commentall))
for i in range(len(titleall)):
    try:
        print("评论标题是："+eval("u'"+titleall[i]+"'"))
        print("评论内容是："+eval("u'"+commentall[i]+"'"))
        print('---------------')
    except exception as err:
        print(err)

1. 翻页评论爬虫
   查看网页源代码可以发现last:后面的内容为下一页的id

   import urllib.request
   import re
   from uaip import *
   vid="j6cgzhtkuonf6te"
   cid="6227734628246412645"
   num="3"
   for j in range(10): #爬取1~10页内容
       print("第"+str(j+1)+"页")
       url = "https://video.coral.qq.com/filmreviewr/c/upcomment/" + vid + "?reqnum=" + num + "&commentid=" + cid
       data = ua_ip(url)
       titlepat = '"title":"(.*?)","abstract":"'
       commentpat = '"content":"(.*?)",'
       titleall = re.compile(titlepat, re.s).findall(data)
       commentall = re.compile(commentpat, re.s).findall(data)
       lastpat='"last":"(.*?)"'
       cid=re.compile(lastpat,re.s).findall(data)[0]
       for i in range(len(titleall)):
           try:
               print("评论标题是：" + eval("u'" + titleall[i] + "'"))
               print("评论内容是：" + eval("u'" + commentall[i] + "'"))
               print('---------------')
           except exception as err:
               print(err)

对于短评（普通评论）方法类似，这里就不赘述了，看下面这个短评爬虫代码：

将

简化成：

import urllib.request
import re
from uaip import *
vid="1743283224"
cid="6442954225602101929"
num="5"
for j in range(10): #爬取1~10页内容
    print("第"+str(j+1)+"页")
    url="https://video.coral.qq.com/varticle/"+vid+"/comment/v2?orinum="+num+"&oriorder=o&pageflag=1&cursor="+cid
    data = ua_ip(url)
    commentpat = '"content":"(.*?)"'
    commentall = re.compile(commentpat, re.s).findall(data)
    lastpat='"last":"(.*?)"'
    cid=re.compile(lastpat,re.s).findall(data)[0]
    # print(len(gg))
    # print(len(commentall))
    for i in range(len(commentall)):
        try:
            print("评论内容是：" + eval("u'" + commentall[i] + "'"))
            print('---------------')
        except exception as err:
            print(err)