ca88编程Python爬取腾讯网与自家所知晓的爬虫与反

作者:ca88编程
def getMilliTim():
    t = time.time()
    nowTime = t*1000
    return int(nowTime)
和讯已经成为了爬虫的篮球场,本文利用Python中的requests库,模拟登录新浪,获取cookie,保存到当地,然后那些cookie作为登入的证据,登入乐乎的主页面,爬取和讯主页面上的题目和相应难题回答的摘要。

关于乐乎验证码登录的主题素材,用到了Python上叁个要害的图片管理库PIL,假若不行,就把图纸存到本地,手动输入。

自学Python之四 爬虫基本功知识储备,python爬虫

  首先,推荐四个有关python爬虫不错的博客:Python爬虫入门教程专栏   和 Python爬虫学习连串教程 。写的都十三分准确,小编上学到了数不完事物!在此,作者就笔者看看的学到的开展计算一下!

  爬虫正是两个缕缕的去抓去网页的次第,根据大家的急需得到我们想要的结果!但大家又要让服务器感到是我们人在经过浏览器浏览不是程序所为!归根结蒂就是大家透进度序访谈网址获得html代码,然后分析html代码获取实惠内容的进度。上面让大家从最简便的爬虫开始:

  爬取一个页面源代码

  在python中,抓取网页的库是urllib2。上面看三个最轻便易行的例证:

1 import urllib2
2 response = urllib2.urlopen('http://www.baidu.com/')
3 html = response.read()
4 print html

  推行到位后您会意识窗口中打出了一批代码,其实正是百度主页的html代码!(抵制百度!!!)

  大家来看一下urlopen的用法:

1 >>> help(urllib2.urlopen)
2 Help on function urlopen in module urllib2:
3 
4 urlopen(url, data=None, timeout=<object object>, cafile=None, capath=None, cadefault=False, context=None)

  第一个参数为url,首个为要发送的数码,第几个是过期时间。别的的大家经常不用,就不表达了!第二八个参数不是必需的,因为都有暗许值,data暗中同意值为None,timeout暗中认可值为socket._GLOBAL_DEFAUTL_TIMEOUT。传入url之后,大家拿到一个response对象,再次回到的消息就在此其间!通过response.read(卡塔尔(قطر‎获取里面的内容。同样的大家得以组织三个Request类,作为参数字传送入urlopen中,那个Request类中就富含url,data,timeout等剧情。上边的代码大家能够写成那样:

1 import urllib2
2 
3 request = urllib2.Request("http://www.baidu.com")
4 response = urllib2.urlopen(request)
5 print response.read()

  这样是否很清晰明了了?在创设Request的时候大家经常会步入过多剧情,大家发出一个呼吁,服务器给我们三个响应。三个简便的爬虫就那样起飞了!

  POST和GET数据传送

  平常我们在浏览网页的时候难免涉及到登陆注册,填写表单,恐怕跳转到某些页面,这个时候大家要跟服务器实行交互作用,向服务器发送数据,发送数据的章程啊正是Post和Get,两个的区分在于GET格局直接以链接的花样拜会,链接中隐含全体的参数,如:  在那之中result=true便是Get传递的数目,POST约等于Get就安全多了,它不会在链接上出示全数参数。

  Post方式:

 1 import urllib
 2 import urllib2
 3 
 4 values = {}
 5 values['username'] = "[email protected]"
 6 values['password'] = "******"
 7 data = urllib.urlencode(values) 
 8 url = "http://www.xxx.com/login?from=http://xxx/loginInfo"
 9 request = urllib2.Request(url,data)
10 response = urllib2.urlopen(request)
11 print response.read()

  在地点的代码中,大家创设了二个字典values,设置了username和password的值,然后通过urlencode函数将字典举办转码,命名称为data,然后用url和data实例化了三个Request类,传递给urlopen(卡塔尔国。

  Get方式:

 1 import urllib
 2 import urllib2
 3 
 4 values={}
 5 values['username'] = "[email protected]"
 6 values['password']="******"
 7 data = urllib.urlencode(values) 
 8 url = "http://www.xxx.com/login"
 9 geturl = url   "?" data
10 request = urllib2.Request(geturl)
11 response = urllib2.urlopen(request)
12 print response.read()

  在上头的代码中,我们创建了八个字典values,设置了username和password的值,然后通过urlencode函数将字典举行转码,命名称为data,然后我们把data拼接在了url中,我们会赢得如此的url:

  在落实叁个爬虫的时候,大家要依据必要,选择post也许get方式开展访谈!不过除了上面那多少个还远远不足,现在网址为了防止爬虫去会见会开展部分检验,假若检测不通过就不会响应你的乞请,为了完全因袭浏览器工作,我们往往要安装有些headers属性,以至防盗链:

1 headers = { 'User-Agent' : 'Mozilla/4.0 (compatible; MSIE 5.5; Windows NT)'  ,
2                         'Referer':'http://www.zhihu.com/articles' }  

3 request = urllib2.Request(url, data, headers)#利用data headers构造Request对象

  有个别网址恐怕会检查测量试验ip等,大家兴许会用到urllib2的代办,有个别网站响应过慢大家得以设置其timeout。在拜见网址的境况下大家恐怕会遇见有个别网址八花九裂,大家要在前后相继中开展管理(长久以来的try... except...获得错误音讯内容卡塔尔(英语:State of Qatar):

 1 import urllib2
 2 
 3 req = urllib2.Request('http://www.xxx.com')
 4 try:
 5     urllib2.urlopen(req)
 6 except urllib2.URLError, e:
 7     if hasattr(e,"code"):
 8         print e.code
 9     if hasattr(e,"reason"):
10         print e.reason
11 else:
12     print "OK"

  经常见到的错误代码:400 违法央浼  403 禁绝访问  404 未找到财富  500 服务器内部错误 200 访问成功。

  在网页访谈过程中,不可幸免的要用到cookies,大家的顺序要效仿浏览器的表现,在拜谒网页的时候不常要带上特定的cookies,那样技术学有所成访问网页。关于cookies我们用到了cookielib,cookielib模块提供可存款和储蓄cookie的目的,以便于与urllib2合作使用举行网址访谈,利用内部的CookieJar类捕获和出殡和安葬cookie,完结模拟登入,维持登入状态等。

  获取cookie保存到变量:

 1 import urllib2
 2 import cookielib
 3 #声明一个CookieJar对象实例来保存cookie
 4 cookie = cookielib.CookieJar()
 5 #利用urllib2库的HTTPCookieProcessor对象来创建cookie处理器
 6 handler=urllib2.HTTPCookieProcessor(cookie)
 7 #通过handler来构建opener
 8 opener = urllib2.build_opener(handler)
 9 #此处的open方法同urllib2的urlopen方法,也可以传入request
10 response = opener.open('http://www.baidu.com')
11 for item in cookie:
12     print 'Name = ' item.name
13     print 'Value = ' item.value
14 #利用cookie请求访问另一个网址
15 gradeUrl = 'http://www.baidu.com/xxx/xx'
16 #请求访问
17 result = opener.open(gradeUrl)
18 print result.read()

  下面程序创设了三个分包cookie的opener,在走访登入url的时候,将登入后的cookie保存下去,然后使用那一个cookie来访谈别的的网站。

  下面放贰个HttpClient.py,里面含有了post和get方法,以至getcookies:

 1 import cookielib, urllib, urllib2, socket
 2 
 3 class HttpClient:
 4   __cookie = cookielib.CookieJar()
 5   __req = urllib2.build_opener(urllib2.HTTPCookieProcessor(__cookie))
 6   __req.addheaders = [
 7     ('Accept', 'application/javascript, */*;q=0.8'),
 8     ('User-Agent', 'Mozilla/5.0 (compatible; MSIE 9.0; Windows NT 6.1; WOW64; Trident/5.0)')
 9   ]
10   urllib2.install_opener(__req)
11 
12   def Get(self, url, refer=None):
13     try:
14       req = urllib2.Request(url)
15       if not (refer is None):
16         req.add_header('Referer', refer)
17       return urllib2.urlopen(req, timeout=120).read()
18     except urllib2.HTTPError, e:
19       return e.read()
20     except socket.timeout, e:
21       return ''
22     except socket.error, e:
23       return ''
24 
25   def Post(self, url, data, refer=None):
26     try:
27       req = urllib2.Request(url, urllib.urlencode(data))
28       if not (refer is None):
29         req.add_header('Referer', refer)
30       return urllib2.urlopen(req, timeout=120).read()
31     except urllib2.HTTPError, e:
32       return e.read()
33     except socket.timeout, e:
34       return ''
35     except socket.error, e:
36       return ''
37 
38   def Download(self, url, file):
39     output = open(file, 'wb')
40     output.write(urllib2.urlopen(url).read())
41     output.close()
42 
43   def getCookie(self, key):
44     for c in self.__cookie:
45       if c.name == key:
46         return c.value
47     return ''
48 
49   def setCookie(self, key, val, domain):
50     ck = cookielib.Cookie(version=0, name=key, value=val, port=None, port_specified=False, domain=domain, domain_specified=False, domain_initial_dot=False, path='/', path_specified=True, secure=False, expires=None, discard=True, comment=None, comment_url=None, rest={'HttpOnly': None}, rfc2109=False)
51     self.__cookie.set_cookie(ck)

  

 

爬虫幼功知识储备,python爬虫 首先,推荐三个有关python爬虫不错的博客:Python爬虫入门教程专栏 和 Python爬虫学习类别教程。...

然后,大约就摸清楚了这么些数额拿到的经过,作者的思绪是先成功一个多少级的多少获得,约等于爬取一条,然后再去扩充,加线程,加ip代理,加user_agent等等。

git链接:

https://github.com/zhaozhengcoder/Spider/tree/master/spider_zhihu

                                                                       图一.查询记录央浼报文头

PPS:小编所知晓的爬虫与反爬虫战略

反爬虫最基本的国策:

  1. 反省浏览器http央求里面包车型地铁user-agent字段
  2. 反省http伏乞的referer(即当前的那么些页面是从哪个页面跳转过来的)

爬虫计谋:
那三个都以在http合同的报文段的检查,同样爬虫端能够很有利的安装那个字段的值,来自欺欺人服务器。

反爬虫进级战术:
1.像今日头条同样,在报到的表单里面归入三个隐藏字段,里面会有三个随便数,每一回都不黄金时代致,那样除非您的爬虫脚本能够深入分析这些自由数,不然下一次爬的时候就足够了。
2.记录拜会的ip,总结访谈次数,如若次数太高,能够感到这么些ip不符合规律。

爬虫晋级战术:
1.像那篇文章提到的,爬虫也得以先解析一下隐蔽字段的值,然后再开展模拟登入。
2.爬虫能够动用ip代理池的方法,来防止被开掘。同时,也能够爬一会停息一会的法子来减少功用。其它,服务器依据ip访问次数来进行反爬,再ipv6未有兼备推广的时日,那么些政策会相当轻便产生毁伤。(那些是本人个人的明白)。

反爬虫进进阶战术:
1.数目投毒,服务器在温馨的页面上停放相当多潜藏的url,那么些url存在于html文件文件之中,不过通过css或许js使他们不会被呈现在客商看见的页面下面。(确认保证客户点击不到)。那么,爬虫在爬取网页的时候,很用或许取访谈那么些url,服务器能够100%的感觉那是爬虫干的,然后能够重回给他有的谬误的数额,或许是谢绝响应。

ca88编程,爬虫进进级攻略:
1.依次网址就算必要反爬虫,不过不可以知道把百度,谷歌(Google卡塔尔国那般的探究引擎的爬虫给干了(干了的话,你的网址在百度都说搜不到!)。那样爬虫应该就能够以假乱真是百度的爬虫去爬。(但是ip可能只怕被搜查捕获,因为您的ip并非百度的ip)

反爬虫进进进级战术:
给个验证码,让您输入今后技巧登陆,登陆之后,技能访谈。

爬虫进进进级战术:
图像识别,机器学习,识别验证码。不过那个应该相比难,或然说开销相比较高。

参谋资料:
廖雪峰的python教程
静觅的python教程
requests库官方文书档案
segmentfault上边有壹人的有关和讯爬虫的博客,找不到链接了

                                                                        图二. 对应不一样年份的笔录条数重临结果

爬取天涯论坛的严重性的有的:模拟登陆

经过对新浪登入是的抓包,能够开采登入天涯论坛,须要post四个参数,三个是账号,二个是密码,三个是xrsf。
本条xrsf隐藏在表单里面,每便登录的时候,应该是服务器随机产生一个字符串。全体,要效仿登入的时候,应当要得到xrsf。

用chrome (只怕火狐 httpfox 抓包解析)的结果:

image.png

之所以,一定要拿到xsrf的数值,注意那是四个动态变化的参数,每一回都区别等。

image.png

注意findall和find_all函数的区分。

获得xsrf,上边就能够效仿登录了。
行使requests库的session对象,创建贰个会话的功利是,能够把同一个客户的例外乞请联系起来,直到会话甘休都会自动处理cookies。

image.png

瞩目:cookies 是当前目录的二个文本,那几个文件保留了网易的cookie,假若是首先个登入,那么自然是绝非这么些文件的,无法通过cookie文件来登录。一定要输入密码。

def login(secret, account):
    # 通过输入的用户名判断是否是手机号
    if re.match(r"^1d{10}$", account):
        print("手机号登录 n")
        post_url = 'https://www.zhihu.com/login/phone_num'
        postdata = {
            '_xsrf': get_xsrf(),
            'password': secret,
            'remember_me': 'true',
            'phone_num': account,
        }
    else:
        if "@" in account:
            print("邮箱登录 n")
        else:
            print("你的账号输入有问题,请重新登录")
            return 0
        post_url = 'https://www.zhihu.com/login/email'
        postdata = {
            '_xsrf': get_xsrf(),
            'password': secret,
            'remember_me': 'true',
            'email': account,
        }
    try:
        # 不需要验证码直接登录成功
        login_page = session.post(post_url, data=postdata, headers=headers)
        login_code = login_page.text
        print(login_page.status_code)
        print(login_code)
    except:
        # 需要输入验证码后才能登录成功
        postdata["captcha"] = get_captcha()
        login_page = session.post(post_url, data=postdata, headers=headers)
        login_code = eval(login_page.text)
        print(login_code['msg'])
    session.cookies.save()
try:
    input = raw_input
except:
    pass

那是登入的函数,通过login函数来登录,post 本人的账号,密码和xrsf 到网易登入认证的页面上去,然后拿走cookie,将cookie保存到当前目录下的文件之中。后一次登入的时候,直接读取这么些cookie文件。

#LWP-Cookies-2.0
Set-Cookie3: cap_id=""YWJkNTkxYzhiMGYwNDU2OGI4NDUxN2FlNzBmY2NlMTY=|1487052577|4aacd7a27b11a852e637262bb251d79c6cf4c8dc""; path="/"; domain=".zhihu.com"; path_spec; expires="2017-03-16 06:09:37Z"; version=0
Set-Cookie3: l_cap_id=""OGFmYTk3ZDA3YmJmNDQ4YThiNjFlZjU3NzQ5NjZjMTA=|1487052577|0f66a8f8d485bc85e500a121587780c7c8766faf""; path="/"; domain=".zhihu.com"; path_spec; expires="2017-03-16 06:09:37Z"; version=0
Set-Cookie3: login=""NmYxMmU0NWJmN2JlNDY2NGFhYzZiYWIxMzE5ZTZiMzU=|1487052597|a57652ef6e0bbbc9c4df0a8a0a59b559d4e20456""; path="/"; domain=".zhihu.com"; path_spec; expires="2017-03-16 06:09:57Z"; version=0
Set-Cookie3: q_c1="ee29042649aa4f87969ed193acb6cb83|1487052577000|1487052577000"; path="/"; domain=".zhihu.com"; path_spec; expires="2020-02-14 06:09:37Z"; version=0
Set-Cookie3: z_c0=""QUFCQTFCOGdBQUFYQUFBQVlRSlZUVFVzeWxoZzlNbTYtNkt0Qk1NV0JLUHZBV0N6NlNNQmZ3PT0=|1487052597|dcf272463c56dd6578d89e3ba543d46b44a22f68""; path="/"; domain=".zhihu.com"; path_spec; expires="2017-03-16 06:09:57Z"; httponly=None; version=0

那是cookie文件的源委

以下是源码:

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

import requests
try:
    import cookielib
except:
    import http.cookiejar as cookielib
import re
import time
import os.path
try:
    from PIL import Image
except:
    pass

from bs4 import BeautifulSoup


# 构造 Request headers
agent = 'Mozilla/5.0 (Windows NT 5.1; rv:33.0) Gecko/20100101 Firefox/33.0'
headers = {
    "Host": "www.zhihu.com",
    "Referer": "https://www.zhihu.com/",
    'User-Agent': agent
}

# 使用登录cookie信息
session = requests.session()
session.cookies = cookielib.LWPCookieJar(filename='cookies')
try:
    session.cookies.load(ignore_discard=True)
except:
    print("Cookie 未能加载")



def get_xsrf():
    '''_xsrf 是一个动态变化的参数'''
    index_url = 'https://www.zhihu.com'
    # 获取登录时需要用到的_xsrf
    index_page = session.get(index_url, headers=headers)
    html = index_page.text
    pattern = r'name="_xsrf" value="(.*?)"'
    # 这里的_xsrf 返回的是一个list
    _xsrf = re.findall(pattern, html)
    return _xsrf[0]





# 获取验证码
def get_captcha():
    t = str(int(time.time() * 1000))
    captcha_url = 'https://www.zhihu.com/captcha.gif?r='   t   "&type=login"
    r = session.get(captcha_url, headers=headers)
    with open('captcha.jpg', 'wb') as f:
        f.write(r.content)
        f.close()
    # 用pillow 的 Image 显示验证码
    # 如果没有安装 pillow 到源代码所在的目录去找到验证码然后手动输入
    try:
        im = Image.open('captcha.jpg')
        im.show()
        im.close()
    except:
        print(u'请到 %s 目录找到captcha.jpg 手动输入' % os.path.abspath('captcha.jpg'))
    captcha = input("please input the captchan>")
    return captcha





def isLogin():
    # 通过查看用户个人信息来判断是否已经登录
    url = "https://www.zhihu.com/settings/profile"
    login_code = session.get(url, headers=headers, allow_redirects=False).status_code
    if login_code == 200:
        return True
    else:
        return False


def login(secret, account):
    # 通过输入的用户名判断是否是手机号
    if re.match(r"^1d{10}$", account):
        print("手机号登录 n")
        post_url = 'https://www.zhihu.com/login/phone_num'
        postdata = {
            '_xsrf': get_xsrf(),
            'password': secret,
            'remember_me': 'true',
            'phone_num': account,
        }
    else:
        if "@" in account:
            print("邮箱登录 n")
        else:
            print("你的账号输入有问题,请重新登录")
            return 0
        post_url = 'https://www.zhihu.com/login/email'
        postdata = {
            '_xsrf': get_xsrf(),
            'password': secret,
            'remember_me': 'true',
            'email': account,
        }
    try:
        # 不需要验证码直接登录成功
        login_page = session.post(post_url, data=postdata, headers=headers)
        login_code = login_page.text
        print(login_page.status_code)
        print(login_code)
    except:
        # 需要输入验证码后才能登录成功
        postdata["captcha"] = get_captcha()
        login_page = session.post(post_url, data=postdata, headers=headers)
        login_code = eval(login_page.text)
        print(login_code['msg'])
    session.cookies.save()
try:
    input = raw_input
except:
    pass



## 將main的問題列表輸出在shell上面
def  getPageQuestion(url2):  
  mainpage = session.get(url2, headers=headers)
  soup=BeautifulSoup(mainpage.text,'html.parser')
  tags=soup.find_all("a",class_="question_link")
  #print tags

  for tag in tags:
    print tag.string

# 將main頁面上面的問題的回答的摘要輸出在shell上面
def getPageAnswerAbstract(url2):
    mainpage=session.get(url2,headers=headers)
    soup=BeautifulSoup(mainpage.text,'html.parser')
    tags=soup.find_all('div',class_='zh-summary summary clearfix')

    for tag in tags:
       # print tag
        print tag.get_text()
        print '詳細內容的鏈接 : ',tag.find('a').get('href')


def getPageALL(url2):
    #mainpage=session.get(url2,headers=headers)
    #soup=BeautifulSoup(mainpage.text,'html.parser')
    #tags=soup.find_all('div',class_='feed-item-inner')
    #print "def getpageall "
    mainpage=session.get(url2,headers=headers)
    soup=BeautifulSoup(mainpage.text,'html.parser')
    tags=soup.find_all('div',class_='feed-content')
    for tag in tags:
        #print tag
        print tag.find('a',class_='question_link').get_text()
        # 這裏有一點問題 bs 還是用的不是太熟練
        #print tag.find('a',class_='zh-summary summary clearfix').get_text()
        #print tag.find('div',class_='zh-summary summary clearfix').get_text()


if __name__ == '__main__':
    if isLogin():
        print('您已经登录')
        url2='https://www.zhihu.com'
        # getPageQuestion(url2)
        #getPageAnswerAbstract(url2)
        getPageALL(url2)
    else:
        account = input('请输入你的用户名n>  ')
        secret = input("请输入你的密码n>  ")
        login(secret, account)

运作结果:

image.png

在遭逢了种种socket 10054 10061等不当,通过百度各类手艺,加上了ip代理等一些办法,最后作者照旧成功本次职责,当然最终依旧增加了文本读取,职分队列等模块,大约正是八个线程专责输出文件,别的七个线程去任务池里面取职责爬数据,详细略过,见代码。有疏漏之处,还请斧正。

固然你须求二个能够的就学调换条件,那么您能够思虑Python学习调换群:548377875; 要是你供给生龙活虎份系统的学习材质,那么您能够伪造Python学习沟通群:548377875。

本文由ca88发布,转载请注明来源

关键词: ca88网址 yzc577亚洲城 Python3... Python入门