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
- 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
代理的基本使用
- 语法结构
get/post(proxies={'http/https':'ip:prot'})
案例：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
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
爬取某一网站请求过多会被封IP，所以要使用代理池
案例：将西刺代理中的免费代理IP进行爬取
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
- 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）
- 云打码
- http://yundama.com/
- 创建开发者帐号，普通用户登录无法创建应用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()
"""
if __name__ == '__main__':
chaojiying = Chaojiying_Client('超级鹰用户名', '超级鹰用户名的密码', '96001') #用户中心>>软件ID 生成一个替换 96001
im = open('a.jpg', 'rb').read() #本地图片文件路径 来替换 a.jpg 有时WIN系统须要//
print chaojiying.PostPic(im, 1902) #1902 验证码类型 官方网站>>价格体系 3.4+版 print 后要加()
"""
# 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', '超级鹰密码', '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()
案例：爬取雪球网中的新闻标题和内容
手动处理
- 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 chaojiying 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': '635932864@qq.com',
'pwd': '177183sy',
'code': code_img_text,
'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
- 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
- 安装
pip install Flask
server.py
from flask import Flask, render_template
import os
app = Flask(__name__)
@app.route('/index')
def index():
mp3_list = []
file_list = os.listdir('./static')
for i in file_list:
i = "/static/" + i
mp3_list.append(i)
return render_template('test.html', mp3_list=mp3_list)
if __name__ == '__main__':
app.run(debug=True)
test.html
<!DOCTYPE html>
<html lang="en">
<head>
<meta charset="UTF-8">
<title>Title</title>
</head>
<body>
{% for i in mp3_list %}
<div>
<audio src="{{ i }}" controls="controls"></audio>
</div>
{% endfor %}
</body>
</html>